Komputasi untuk Sains dan Teknik

-Dalam Matlab-
Supriyanto Suparno
( Website: http://supriyanto.fisika.ui.edu )
( Email: supri@fisika.ui.ac.id atau supri92@gmail.com )
Edisi III
Revisi terakhir tgl: 25 Agustus 2008
Departemen Fisika-FMIPA, Univeristas Indonesia
Dipublikasikan pertama kali pada September 2007
Untuk
Nina Marliyani
Muflih Syamil
dan
Hasan Azmi
Ketekunan adalah jalan yang terpercaya untuk mengantarkan kita menuju kesuksesan
(Supriyanto, 2007)
Kata Pengantar
Alhamdulillah, buku ini memasuki edisi ke-3. Penomoran edisi ini sebenarnya hanya untuk
menandakan perubahan isi buku yang semakin kaya metode numerik dibandingkan dengan
edisi-edisi sebelumnya. Pengayaan isi buku ini, sejujurnya, berasal dari sejumlah pertanyaan
yang sampai ke mailbox saya, entah itu dalam bentuk konsultasi Tugas Akhir mahasiswa S1
sebagaimana yang penulis terima dari mahasiswa UNPAD, UDAYANA, UNESA dan UNSRI
serta UI sendiri, ataupun sekedar pertanyaan seputar pekerjaan rumah seperti yang biasa di-
tanyakan oleh para mahasiswa dari Univ. Pakuan, Bogor.
Pertanyaan-pertanyaan itu menjadikan saya sadar bahwa buku edisi ke-II yang berjumlah
187 halaman, ternyata belum bisa memenuhi kebutuhan banyak mahasiswa yang memerlukan
teknik pengolahan data secara numerik. Karenanya, insya Allah, pada edisi ke-III ini, saya akan
menyajikan sebagian besar yang masih kurang lengkap itu secara bertahap.
Ibarat pohon yang akan terus tumbuh semakin besar, buku ini pun memiliki tabiat per-
tumbuhan sebagaimana pohon itu. Mulai ditulis pada tahun 2005 dengan isi yang seadanya,
pokoknya asal tercatat. Kemudian di tahun 2006akhir menjadi catatan perkuliahan Komputasi
Fisika. Pengayaan isi terus berlangsung hingga akhir 2007. Lalu di awal tahun 2008 diisi den-
gan tambahan materi perkuliahan Analisis Numerik. Itulah yang saya maksud dengan tabiat
pertumbuhan dari buku ini. Jika saya ditugaskan untuk mengajar mata kuliah Komputasi
Fisika lagi pada awal September 2008, saya bertekad akan menurunkan seluruh isi buku ini
kepada mahasiswa yang akan mengambil kuliah tersebut. Jadi materi Komputasi Fisika tahun
2007 dan materi Analisis Numerik 2008, digabung jadi satu kedalam satu semester dengan na-
ma mata kuliah Komputasi Fisika. Kepada rekan-rekan mahasiswa yang akan ngambil mata
kuliah tersebut, saya sampaikan permohonan maaf jika rencana ini akan membuat anda ku-
rang tidur karena bakal semakin lama berada di depan komputer, menyelesaikan tugas dan
report.
Secara garis besar, ilmu fisika dapat dipelajari lewat 3 jalan, yaitu pertama, dengan meng-
gunakan konsep atau teori fisika yang akhirnya melahirkan fisika teori. Kedua, dengan cara
eksperimen yang menghasilkan aliran fisika eksperimental, dan ketiga, fisika bisa dipelajari
lewat simulasi fenomena alam yang sangat mengandalkan komputer serta algoritma numerik.
Tujuan penyusunan buku ini adalah untuk meletakkan pondasi dasar dari bangunan pema-
haman akan metode-metode komputasi yang banyak digunakan untuk mensimulasikan fenom-
ena fisika.
Rujukan utama buku ini bersumber pada buku teks standar yang sangat populer di dunia
komputasi, yaitu buku yang ditulis oleh Richard L. Burden dan J. Douglas Faires dengan judul
Numerical Analysis edisi ke-7, diterbitkan oleh Penerbit Brooks/Cole, Thomson Learning Aca-
demic Resource Center. Disamping itu, buku ini dilengkapi oleh sejumlah contoh aplikasi
komputasi pada upaya penyelesaian problem-problem fisika.
iii
iv
Pada edisi ke-3 ini saya mulai mencoba membiasakan diri menulis script dalam lingkungan
Python dan Octave. Padahal, dalam edisi ke-2 yang lalu, script numerik disalin ke dalam 2
bahasa pemrograman, yaitu Fortran77 dan Matlab. Namun mayoritas ditulis dalam Matlab.
Saya ingin ganti ke Python, lantaran dengan Python ataupun Octave, saya dan juga maha-
siswa saya tidak perlu menginstal Matlab bajakan ke dalam komputer kami masing-masing.
Buku yang sedang anda baca ini masih jauh dari sempurna. Keterkaitan antar Bab berikut
isi-nya masih perlu perbaikan. Kondisi ini berpotensi membuat anda bingung, atau setidaknya
menjadi kurang fokus. Oleh karena itu saya menghimbau kepada pembaca untuk menfokuskan
diri melalui penjelasan singkat berikut ini:
• Bab 1 berisi pengenalan matrik, operasi matrik, inisialisasi matrik pada Matlab dan For-
tran. Saran saya, setiap pembaca yang masih pemula di dunia pemrograman, harus
menguasai Bab I terlebih dahulu. Disamping itu penjelasan lebih terperinci tentang
bagaimana menentukan indeks i, j dan k dalam proses looping disajikan pada Bab I, un-
tuk memberi pondasi yang kokoh bagi berdirinya bangunan pemahaman akan teknik-
teknik numerik selanjutnya.
• Untuk mempelajari metode Finite-Difference, dianjurkan mulai dari Bab 1, Bab 2, Bab 4,
Bab 7, dan Bab 8.
• Untuk mempelajari dasar-dasar inversi, dianjurkan mulai dari Bab 1, Bab 2, dan Bab 3.
Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede
Djuhana yang telah berkenan memberikan format L
A
T
E
X-nya sehingga tampilan tulisan pada
buku ini benar-benar layaknya sebuah buku yang siap dicetak. Tak lupa, saya pun sepatutnya
berterima kasih kepada seluruh rekan diskusi yaitu para mahasiswa yang telah mengambil
mata kuliah Komputasi Fisika PTA 2006/2007 di Departemen Fisika, FMIPA, Universitas In-
donesia. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan di Barat Indonesia
juga perlu saya tulis disini sebagai ungkapan terima kasih atas pertanyaan-pertanyaan mereka
yang turut memperkaya isi buku ini.
Walaupun buku ini masih jauh dari sempurna, namun semoga ia dapat menyumbangkan
kontribusi yang berarti bagi terciptanya gelombang kebangkitan ilmu pengetahuan pada diri
anak bangsa Indonesia yang saat ini sedang terpuruk. Saya wariskan ilmu ini untuk siswa
dan mahasiswa Indonesia dimanapun mereka berada. Kalian berhak memanfaatkan buku ini.
Saya izinkan kalian untuk meng-copy dan menggunakan buku ini selama itu ditujukan untuk
belajar dan bukan untuk tujuan komersial, kecuali kalau saya dapat bagian komisi-nya :) . Bagi
yang ingin berdiskusi, memberikan masukan, kritikan dan saran, silakan dikirimkan ke email:
supri92@gmail.com
Depok, 8 Juni 2008
Supriyanto Suparno
Daftar Isi
Lembar Persembahan i
Kata Pengantar iii
Daftar Isi iv
Daftar Gambar vii
Daftar Tabel x
1 Matrik dan Komputasi 1
1.1 Pengenalan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Inisialisasi matrik dalam memori komputer . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Macam-macam matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Matrik transpose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Matrik bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Matrik simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.4 Matrik diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.5 Matrik identitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.6 Matrik upper-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.7 Matrik lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.8 Matrik tridiagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.9 Matrik diagonal dominan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.10 Matrik positive-definite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.11 Vektor-baris dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Operasi matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Komputasi penjumlahan matrik . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4 Komputasi perkalian matrik . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5 Perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . . . . . . . 14
1.4.6 Komputasi perkalian matrik dan vektor-kolom . . . . . . . . . . . . . . . . 15
1.5 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Metode Eliminasi Gauss 17
2.1 Sistem persamaan linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Triangularisasi dan Substitusi Mundur . . . . . . . . . . . . . . . . . . . . . . . . . 18
v
vi
2.3 Matrik dan Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Algoritma eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.1 Menghitung arus listrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Menghitung invers matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7 Penutup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Aplikasi Eliminasi Gauss pada Masalah Inversi 39
3.1 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Script matlab inversi model garis . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 Script matlab inversi model parabola . . . . . . . . . . . . . . . . . . . . . 48
3.3 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Metode LU Decomposition 61
4.1 Faktorisasi matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5 Metode Iterasi 71
5.1 Kelebihan Vektor-kolom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Pengertian Norm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Script perhitungan norm dalam Matlab . . . . . . . . . . . . . . . . . . . . 72
5.2.2 Perhitungan norm-selisih . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3 Iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.1 Script Matlab metode iterasi Jacobi . . . . . . . . . . . . . . . . . . . . . . . 76
5.3.2 Optimasi script Matlab untuk menghitung iterasi . . . . . . . . . . . . . . 79
5.3.3 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3.4 Program dalam Fortran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.4 Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.4.1 Script iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2 Algoritma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.4.3 Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . . . . . . 86
5.5 Iterasi dengan Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.1 Algoritma Iterasi Relaksasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6 Interpolasi 91
6.1 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
vii
7 Diferensial Numerik 101
7.1 Metode Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.2 Metode Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2.1 Aplikasi: Pengisian muatan pada kapasitor . . . . . . . . . . . . . . . . . . 110
7.3 Metode Finite Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.3.1 Script Finite-Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
7.3.2 Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.4 Persamaan Diferensial Parsial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.5 PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.5.1 Contoh pertama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
7.5.2 Script Matlab untuk PDP Elliptik . . . . . . . . . . . . . . . . . . . . . . . . 130
7.5.3 Contoh kedua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.6 PDP parabolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.6.1 Metode Forward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.6.2 Contoh ketiga: One dimensional heat equation . . . . . . . . . . . . . . . . . 134
7.6.3 Metode Backward-difference . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.6.4 Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.7 PDP Hiperbolik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.7.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.8 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
8 Integral Numerik 151
8.1 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2 Metode Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3 Metode Composite-Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.4 Adaptive Quardrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.5 Gaussian Quadrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.5.1 Contoh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.5.2 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
9 Mencari Akar 159
9.1 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
10 Metode Monte Carlo 161
10.1 Penyederhanaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
11 Inversi 165
11.1 Inversi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
11.2 Inversi Non-Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Daftar Pustaka 171
Indeks 173
viii
Daftar Gambar
3.1 Sebaran data observasi antara temperatur dan kedalaman . . . . . . . . . . . . . 40
3.2 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3 Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.1 Fungsi f(x) dengan sejumlah titik data . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2 Pendekatan dengan polinomial cubic spline . . . . . . . . . . . . . . . . . . . . . . 93
6.3 Profil suatu object . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.4 Sampling titik data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.5 Hasil interpolasi cubic spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.6 Hasil interpolasi lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7.1 Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebe-
sar h. Pasangan t
1
adalah y(t
1
), pasangan t
2
adalah y(t
2
), begitu seterusnya. Kanan:
Garis singgung yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis
singgung tersebut, ditentukan pasangan t
1
sebagai w
1
. Perhatikan gambar itu sekali
lagi! w
1
dan y(t
1
) beda tipis alias tidak sama persis. . . . . . . . . . . . . . . . . . . . . 102
7.2 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu
nilai w
i
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.3 Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan
(7.9). Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta
orde 4, yaitu nilai w
i
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.4 Rangkaian RC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.5 Kurva pengisian muatan q (charging) terhadap waktu t . . . . . . . . . . . . . . . 115
7.6 Kurva suatu fungsi f(x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X
0
= a hingga batas atas
x
6
= b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.7 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . 126
7.8 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . . . . 128
7.9 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.
Jarak antar titik ditentukan sebesar h = 0, 1. . . . . . . . . . . . . . . . . . . . . . . . . 135
7.10 Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005 . . . . . . . 135
ix
x DAFTAR GAMBAR
7.11 Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . . . 135
8.1 Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f(x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara
metode Trapesoida menghitung luas area integrasi, dimana luas area adalah sama den-
gan luas trapesium di bawah kurva f(x) dalam batas-batas a dan b . . . . . . . . . . . 152
8.2 Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f(x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara
metode Simpson menghitung luas area integrasi, dimana area integrasi di bawah kurva
f(x) dibagi 2 dalam batas-batas a dan b . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3 Metode Composite Simpson. Kurva fungsi f(x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-
masing adalah h. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
9.1 Metode Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
10.1 Lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
10.2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . . . . . . . 162
10.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . 163
Daftar Tabel
3.1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 39
3.2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 45
3.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 53
5.1 Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . . . . . . . . . . 79
5.2 Hasil perhitungan norm-selisih (dengan ℓ
2
) hingga iterasi ke-10 . . . . . . . . . . 80
5.3 Hasil Iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4 Hasil perhitungan iterasi Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.5 Hasil perhitungan iterasi Relaksasi dengan ω = 1, 25 . . . . . . . . . . . . . . . . . 88
7.1 Solusi yang ditawarkan oleh metode euler w
i
dan solusi exact y(t
i
) serta selisih
antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.2 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (w
i
) dan solusi exact
y(t
i
) serta selisih antara keduanya . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan
hasil perhitungan dari solusi exact, yaitu persamaan (7.16) . . . . . . . . . . . . . 114
7.4 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolomke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom
ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . . . . . . . . . . . . 139
7.5 Hasil simulasi distribusi panas bergantung waktu dalam1-dimensi dengan metode backward-
difference dimana k = 0, 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.6 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson . . . . . . . . . . . . . . . . . . . . 146
8.1 Polinomial Legendre untuk n=2,3,4 dan 5 . . . . . . . . . . . . . . . . . . . . . . . 156
xi
xii DAFTAR TABEL
Bab 1
Matrik dan Komputasi
Objektif :
⊲ Mengenalkan matrik dan jenis-jenis matrik.
⊲ Mengenalkan operasi penjumlahan dan perkalian matrik.
⊲ Mendeklarasikan elemen-elemen matrik ke dalam memori komputer.
⊲ Membuat script operasi matrik.
1.1 Pengenalan matrik
Notasi suatu matrik berukuran n x m ditulis dengan huruf besar dan dicetak tebal, misalnya
A
n×m
. Huruf n menyatakan jumlah baris, dan huruf m jumlah kolom. Suatu matrik tersusun
dari elemen-elemen yang dinyatakan dengan huruf kecil diikuti angka-angka indeks, misalnya
a
ij
, dimana indeks i menunjukan posisi baris ke-i dan indeks j menentukan posisi kolom ke-j.
A = (a
ij
) =

a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nm
¸
¸
¸
¸
¸
¸
(1.1)
Contoh 1: Matrik A
2×3
A =
¸
3 8 5
6 4 7
¸
dimana masing-masing elemennya adalah a
11
= 3, a
12
= 8, a
13
= 5, a
21
= 6, a
22
= 4, dan
a
23
= 7.
Contoh 2: Matrik B
3×2
B =

1 3
5 9
2 4
¸
¸
¸
1
2 BAB 1. MATRIK DAN KOMPUTASI
dimana masing-masing elemennya adalah b
11
= 1, b
12
= 3, b
21
= 5, b
22
= 9, b
31
= 2, dan
b
32
= 4.
1.2 Inisialisasi matrik dalam memori komputer
Dalambahasa pemrograman Fortran77, cara mengisi memori komputer dengan elemen-elemen
matrik A
2×3
, sesuai dengan Contoh 1 adalah
1 A(1,1) = 3
2 A(1,2) = 8
3 A(1,3) = 5
4 A(2,1) = 6
5 A(2,2) = 4
6 A(2,3) = 7
Sedangkan untuk matrik B
3×2
, sesuai Contoh 2 adalah
1 B(1,1) = 1
2 B(1,2) = 3
3 B(2,1) = 5
4 B(2,2) = 9
5 B(3,1) = 2
6 B(3,2) = 4
Sementara dalam Matlab, cara mengisi memori komputer dengan elemen-elemen matrik
A
2×3
, sesuai dengan Contoh 1 adalah
1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 A
Sedangkan untuk matrik B
3×2
, sesuai Contoh 2 adalah
1 clear all
2 clc
3
4 B(1,1) = 1;
5 B(1,2) = 3;
6 B(2,1) = 5;
7 B(2,2) = 9;
8 B(3,1) = 2;
9 B(3,2) = 4;
10 B
Ini bukan satu-satunya cara menginisialisasi suatu matrik, disamping itu, ada juga cara lain
yang relatif lebih mudah. Misalnya untuk matrik A bisa ditulis sebagai berikut
1.3. MACAM-MACAM MATRIK 3
1 clear all
2 clc
3
4 A=[ 3 8 5
5 6 4 7 ];
6
7 B=[ 1 3
8 5 9
9 2 4 ];
atau
1 clear all
2 clc
3
4 A=[ 3 8 5 ; 6 4 7 ];
5 B=[ 1 3 ; 5 9 ; 2 4];
1.3 Macam-macam matrik
1.3.1 Matrik transpose
Operasi transpose terhadap suatu matrik akan menukar elemen-elemen dalam satu kolom
menjadi elemen-elemen dalam satu baris; demikian pula sebaliknya. Notasi matrik tranpose
adalah A
T
atau A
t
.
Contoh 3: Operasi transpose terhadap matrik A
A =
¸
3 8 5
6 4 7
¸
A
t
=

3 6
8 4
5 7
¸
¸
¸
1.3.2 Matrik bujursangkar
Matrik bujursangkar adalah matrik yang jumlah baris dan jumlah kolomnya sama.
Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matrik bujursangkar
orde 3
A =

1 3 8
5 9 7
2 4 6
¸
¸
¸
1.3.3 Matrik simetrik
Matrik simetrik adalah matrik bujursangkar yang elemen-elemen matrik A bernilai sama den-
gan matrik transpose-nya (A
t
).
4 BAB 1. MATRIK DAN KOMPUTASI
Contoh 5: Matrik simetrik
A =

2 −3 7 1
−3 5 6 −2
7 6 9 8
1 −2 8 10
¸
¸
¸
¸
¸
¸
A
t
=

2 −3 7 1
−3 5 6 −2
7 6 9 8
1 −2 8 10
¸
¸
¸
¸
¸
¸
1.3.4 Matrik diagonal
Matrik diagonal adalah matrik bujursangkar yang seluruh elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonalnya.
Contoh 6: Matrik diagonal orde 3
A =

11 0 0
0 29 0
0 0 61
¸
¸
¸
1.3.5 Matrik identitas
Matrik identitas adalah matrik bujursangkar yang semua elemen-nya bernilai 0 (nol), kecuali
elemen-elemen diagonal yang seluruhnya bernilai 1.
Contoh 7: Matrik identitas orde 3
I =

1 0 0
0 1 0
0 0 1
¸
¸
¸
1.3.6 Matrik upper-triangular
Matrik upper-tringular adalah matrik bujursangkar yang seluruh elemen dibawah elemen di-
agonal bernilai 0 (nol).
Contoh 8: Matrik upper-triangular
A =

3 6 2 1
0 4 1 5
0 0 8 7
0 0 0 9
¸
¸
¸
¸
¸
¸
1.3.7 Matrik lower-triangular
Matrik lower-tringular adalah matrik bujursangkar yang seluruh elemen diatas elemen diago-
nal bernilai 0 (nol).
1.3. MACAM-MACAM MATRIK 5
Contoh 9: Matrik lower-triangular
A =

12 0 0 0
32 −2 0 0
8 7 11 0
−5 10 6 9
¸
¸
¸
¸
¸
¸
1.3.8 Matrik tridiagonal
Matrik tridiagonal adalah matrik bujursangkar yang seluruh elemen bukan 0 (nol) berada dis-
ekitar elemen diagonal, sementara elemen lainnya bernilai 0 (nol).
Contoh 10: Matrik tridiagonal
A =

3 6 0 0
2 −4 1 0
0 5 8 −7
0 0 3 9
¸
¸
¸
¸
¸
¸
1.3.9 Matrik diagonal dominan
Matrik diagonal dominan adalah matrik bujursangkar yang memenuhi
|a
ii
| >
n
¸
j=1,j=i
|a
ij
| (1.2)
dimana i=1,2,3,..n. Coba perhatikan matrik-matrik berikut ini
A =

7 2 0
3 5 −1
0 5 −6
¸
¸
¸
B =

6 4 −3
4 −2 0
−3 0 1
¸
¸
¸
Pada elemen diagonal a
ii
matrik A, |7| > |2|+|0|, lalu |5| > |3|+|−1|, dan |−6| > |5|+|0|. Maka
matrik A disebut matrik diagonal dominan. Sekarang perhatikan elemen diagonal matrik B,
|6| < |4| +| −3|, | −2| < |4| +|0|, dan |1| < | −3| +|0|. Dengan demikian, matrik B bukan matrik
diagonal dominan.
1.3.10 Matrik positive-definite
Suatu matrik dikatakan positive-definite bila matrik tersebut simetrik dan memenuhi
x
t
Ax > 0 (1.3)
6 BAB 1. MATRIK DAN KOMPUTASI
Contoh 11: Diketahui matrik simetrik berikut
A =

2 −1 0
−1 2 −1
0 −1 2
¸
¸
¸
untuk menguji apakah matrik A bersifat positive-definite, maka
x
t
Ax =

x
1
x
2
x
3

2 −1 0
−1 2 −1
0 −1 2
¸
¸
¸

x
1
x
2
x
3
¸
¸
¸
=

x
1
x
2
x
3

2x
1
−x
2
−x
1
+ 2x
2
−x
3
−x
2
+ 2x
3
¸
¸
¸
= 2x
2
1
−2x
1
x
2
+ 2x
2
2
−2x
2
x
3
+ 2x
2
3
= x
2
1
+ (x
2
1
−2x
1
x
2
+ x
2
2
) + (x
2
2
−2x
2
x
3
+ x
2
3
) + x
2
3
= x
2
1
+ (x
1
−x
2
)
2
+ (x
2
−x
3
)
2
+ x
2
3
Dari sini dapat disimpulkan bahwa matrik A bersifat positive-definite, karena memenuhi
x
2
1
+ (x
1
−x
2
)
2
+ (x
2
−x
3
)
2
+ x
2
3
> 0
kecuali jika x
1
=x
2
=x
3
=0.
1.3.11 Vektor-baris dan vektor-kolom
Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. Suatu matrik dina-
makan vektor-baris berukuran m, bila hanya memiliki satu baris dan m kolom, yang diny-
atakan sebagai berikut
a =

a
11
a
12
. . . a
1m

=

a
1
a
2
. . . a
m

(1.4)
Sedangkan suatu matrik dinamakan vektor-kolomberukuran n, bila hanya memiliki satu kolom
dan n baris, yang dinyatakan sebagai berikut
a =

a
11
a
21
.
.
.
a
n1
¸
¸
¸
¸
¸
¸
=

a
1
a
2
.
.
.
a
n
¸
¸
¸
¸
¸
¸
(1.5)
1.4. OPERASI MATEMATIKA 7
1.4 Operasi matematika
1.4.1 Penjumlahan matrik
Operasi penjumlahan pada dua buah matrik hanya bisa dilakukan bila kedua matrik tersebut
berukuran sama. Misalnya matrik C
2×3
C =
¸
9 5 3
7 2 1
¸
dijumlahkan dengan matrik A
2×3
, lalu hasilnya (misalnya) dinamakan matrik D
2×3
D = A+ C
D =
¸
3 8 5
6 4 7
¸
+
¸
9 5 3
7 2 1
¸
=
¸
3 + 9 8 + 5 5 + 3
6 + 7 4 + 2 7 + 1
¸
=
¸
12 13 8
13 6 8
¸
Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi penjumlahan antara
matrik A
2×3
dan C
2×3
, bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
¸
d
11
d
12
d
13
d
21
d
22
d
23
¸
=
¸
a
11
+ c
11
a
12
+ c
12
a
13
+ c
13
a
21
+ c
21
a
22
+ c
22
a
23
+ c
23
¸
Dijabarkan satu persatu sebagai berikut
d
11
= a
11
+ c
11
d
12
= a
12
+ c
12
d
13
= a
13
+ c
13
(1.6)
d
21
= a
21
+ c
21
d
22
= a
22
+ c
22
d
23
= a
23
+ c
23
Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matrik
d
ij
= a
ij
+ c
ij
(1.7)
dimana i=1,2 dan j=1,2,3.
8 BAB 1. MATRIK DAN KOMPUTASI
1.4.2 Komputasi penjumlahan matrik
Berdasarkan contoh operasi penjumlahan di atas, indeks j pada persamaan (1.7) lebih cepat
berubah dibanding indeks i sebagaimana ditulis pada persamaan (1.6),
d
11
= a
11
+ c
11
d
12
= a
12
+ c
12
d
13
= a
13
+ c
13
Jelas terlihat, ketika indeks i masih bernilai 1, indeks j sudah berubah dari nilai 1 sampai
3. Hal ini membawa konsekuensi pada script pemrograman, dimana looping untuk indeks j
harus diletakkan di dalam looping indeks i. Pokoknya yang looping-nya paling cepat harus
diletakkan paling dalam; sebaliknya, looping paling luar adalah looping yang indeksnya
paling jarang berubah.
Dalam matlab, algoritma penjumlahan dua matrik ditulis sebagai berikut:
1 for i=1:2
2 for j=1:3
3 D(i,j)=A(i,j)+C(i,j);
4 end
5 end
Sedangkan dalam Fortran77, operasi penjumlahan antara matrik ditulis sebagai berikut: A
2×3
dan C
2×3
adalah
1 do i=1,2
2 do j=1,3
3 D(i,j)=A(i,j)+C(i,j)
4 end do
5 end do
Perhatikan kedua script di atas! Penulisan indeks i harus didahulukan daripada indeks j.
Perlu dicatat bahwa ukuran matrik tidak terbatas hanya 2x3. Tentu saja anda bisa men-
gubah ukurannya sesuai dengan keperluan atau kebutuhan anda. Jika ukuran matrik diny-
atakan secara umum sebagai n x m, dimana n adalah jumlah baris dan m adalah jumlah kolom,
maka bentuk pernyataan komputasinya dalam matlab menjadi
1 for i=1:n
2 for j=1:m
3 D(i,j)=A(i,j)+C(i,j);
4 end
5 end
sedangkan dalam Fortran77
1 do i=1,n
2 do j=1,m
3 D(i,j)=A(i,j)+C(i,j)
1.4. OPERASI MATEMATIKA 9
4 end do
5 end do
Sekarang, mari kita lengkapi dengan contoh sebagai berikut: diketahui matrik A
2×3
A =
¸
3 8 5
6 4 7
¸
dan matrik C
2×3
C =
¸
9 5 3
7 2 1
¸
Program untuk menjumlahkan kedua matrik tersebut dalam matlab adalah:
1 clear all
2 clc
3
4 A(1,1) = 3;
5 A(1,2) = 8;
6 A(1,3) = 5;
7 A(2,1) = 6;
8 A(2,2) = 4;
9 A(2,3) = 7;
10 C(1,1) = 9;
11 C(1,2) = 5;
12 C(1,3) = 3;
13 C(2,1) = 7;
14 C(2,2) = 2;
15 C(2,3) = 1;
16 n=2
17 m=3
18 for i=1:n
19 for j=1:m
20 D(i,j)=A(i,j)+C(i,j);
21 end
22 end
sedangkan dalam Fortran77
1 A(1,1) = 3
2 A(1,2) = 8
3 A(1,3) = 5
4 A(2,1) = 6
5 A(2,2) = 4
6 A(2,3) = 7
7 C(1,1) = 9
8 C(1,2) = 5
9 C(1,3) = 3
10 C(2,1) = 7
11 C(2,2) = 2
12 C(2,3) = 1
13 n=2
14 m=3
15 do i=1,n
16 do j=1,m
10 BAB 1. MATRIK DAN KOMPUTASI
17 D(i,j)=A(i,j)+C(i,j)
18 end do
19 end do
1.4.3 Perkalian matrik
Operasi perkalian dua buah matrik hanya bisa dilakukan bila jumlah kolom matrik pertama
sama dengan jumlah baris matrik kedua. Jadi kedua matrik tersebut tidak harus berukuran
sama seperti pada penjumlahan dua matrik. Misalnya matrik A
2×3
dikalikan dengan matrik
B
3×2
, lalu hasilnya (misalnya) dinamakan matrik E
2×2
E
2×2
= A
2×3
.B
3×2
E =
¸
3 8 5
6 4 7
¸

1 3
5 9
2 4
¸
¸
¸
=
¸
3.1 + 8.5 + 5.2 3.3 + 8.9 + 5.4
6.1 + 4.5 + 7.2 6.3 + 4.9 + 7.4
¸
=
¸
53 101
40 82
¸
Tanpa mempedulikan nilai elemen-elemen masing-masing matrik, operasi perkalian antara
matrik A
2×3
dan B
3×2
, bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik
tersebut, yaitu
¸
e
11
e
12
e
21
e
22
¸
=
¸
a
11
.b
11
+ a
12
.b
21
+ a
13
.b
31
a
11
.b
12
+ a
12
.b
22
+ a
13
.b
32
a
21
.b
11
+ a
22
.b
21
+ a
23
.b
31
a
21
.b
12
+ a
22
.b
22
+ a
23
.b
32
¸
Bila dijabarkan, maka elemen-elemen matrik E
2×2
adalah
e
11
= a
11
.b
11
+ a
12
.b
21
+ a
13
.b
31
(1.8)
e
12
= a
11
.b
12
+ a
12
.b
22
+ a
13
.b
32
(1.9)
e
21
= a
21
.b
11
+ a
22
.b
21
+ a
23
.b
31
(1.10)
e
22
= a
21
.b
12
+ a
22
.b
22
+ a
23
.b
32
(1.11)
Sejenak, mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e,
a dan b pada persamaan (1.8) sampai persamaan (1.11). Perhatikan perubahan angka indeks
1.4. OPERASI MATEMATIKA 11
pertama pada elemen e seperti berikut ini
e
1..
= ..
e
1..
= ..
e
2..
= ..
e
2..
= ..
Pola perubahan yang sama akan kita dapati pada angka indeks pertama dari elemen a
e
1..
= a
1..
.b
...
+ a
1..
.b
...
+ a
1..
.b
...
e
1..
= a
1..
.b
...
+ a
1..
.b
...
+ a
1..
.b
...
e
2..
= a
2..
.b
...
+ a
2..
.b
...
+ a
2..
.b
...
e
2..
= a
2..
.b
...
+ a
2..
.b
...
+ a
2..
.b
...
Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks
yang polanya sama
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
e
i..
= a
i..
.b
...
+ a
i..
.b
...
+ a
i..
.b
...
dimana i bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan i=1,2. Selanjutnya,
masih dari persamaan (1.8) sampai persamaan (1.11), marilah kita perhatikan perubahan angka
indeks masih pada elemen e dan elemen b,
e
i1
= a
i..
.b
..1
+ a
i..
.b
..1
+ a
i..
.b
..1
e
i2
= a
i..
.b
..2
+ a
i..
.b
..2
+ a
i..
.b
..2
e
i1
= a
i..
.b
..1
+ a
i..
.b
..1
+ a
i..
.b
..1
e
i2
= a
i..
.b
..2
+ a
i..
.b
..2
+ a
i..
.b
..2
Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks
yang polanya sama
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
e
ij
= a
i..
.b
..j
+ a
i..
.b
..j
+ a
i..
.b
..j
12 BAB 1. MATRIK DAN KOMPUTASI
dimana j bergerak mulai dari angka 1 hingga angka 2, atau kita nyatakan j=1,2. Selanjutnya,
masih dari persamaan (1.8) sampai persamaan (1.11), mari kita perhatikan perubahan angka
indeks masih pada elemen a dan elemen b, dimana kita akan dapati pola sebagai berikut
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
e
ij
= a
i1
.b
1j
+ a
i2
.b
2j
+ a
i3
.b
3j
Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya
sama, dimana k bergerak mulai dari angka 1 hingga angka 3, atau kita nyatakan k=1,2,3.
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
Kemudian secara sederhana dapat ditulis sebagai berikut
e
ij
= a
ik
.b
kj
+ a
ik
.b
kj
+ a
ik
.b
kj
(1.12)
Selanjutnya dapat ditulis pula formula berikut
e
ij
=
3
¸
k=1
a
ik
b
kj
(1.13)
dimana i=1,2; j=1,2; dan k=1,2,3.
Berdasarkan contoh ini, maka secara umum bila ada matrik A
n×m
yang dikalikan dengan ma-
trik B
m×p
, akan didapatkan matrik E
n×p
dimana elemen-elemen matrik E memenuhi
e
ij
=
m
¸
k=1
a
ik
b
kj
(1.14)
dengan i=1,2,. . . ,n; j=1,2. . . ,p; dan k=1,2. . . ,m.
1.4.4 Komputasi perkalian matrik
Komputasi operasi perkalian antara matrik A
2×3
dan B
3×2
dilakukan melalui 2 tahap; pertama
adalah memberikan nilai 0 (nol) pada elemen-elemen matrik E
2×2
dengan cara (dalam matlab)
1 for i=1:2
2 for j=1:2
3 E(i,j)=0.0;
4 end
5 end
1.4. OPERASI MATEMATIKA 13
dalam Fortran77
1 do i=1,2
2 do j=1,2
3 E(i,j)=0.0
4 end do
5 end do
kedua adalah menghitung perkalian matrik dengan cara (dalam matlab)
1 for i=1:2
2 for j=1:2
3 for k=1:3
4 E(i,j)=E(i,j)+A(i,k)
*
B(k,j);
5 end
6 end
7 end
dalam Fortran77
1 do i=1,2
2 do j=1,2
3 do k=1,3
4 E(i,j)=E(i,j)+A(i,k)
*
B(k,j)
5 end do
6 end do
7 end do
Sebentar.., sebelum dilanjut tolong perhatikan penempatan indeks i, j dan k pada script di atas.
Mengapa indeks i didahulukan daripada indeks j dan k? Ini bukan sesuatu yang kebetulan.
Dan ini juga bukan sekedar mengikuti urutan huruf abjad i,j,k. Sekali lagi ingin saya tegaskan
bahwa penempatan yang demikian semata-mata mengikuti aturan umum yaitu looping yang
indeksnya berubah paling cepat harus diletakkan paling dalam; sebaliknya, looping paling
luar adalah looping yang indeksnya paling jarang berubah. Kalau anda perhatikan dengan
teliti, pasti anda akan menemukan fakta bahwa indeks k paling cepat berubah. Kemudian
disusul oleh indeks j. Lalu yang paling jarang berubah adalah indeks i. Itulah sebabnya,
penempatan urutan indeks pada script di atas harus dimulai dari i terlebih dahulu sebagai
looping terluar, kemudian indeks j, dan yang terakhir indeks k sebagai looping terdalam.
Tentu saja anda bisa mengubah ukurannya sesuai dengan keperluan atau kebutuhan anda.
Jika ukuran matrik A dinyatakan secara umum sebagai n x m dan matrik B berukuran m x p,
maka bentuk pernyataan komputasinya dalam Matlab menjadi
1 for i=1:n
2 for j=1:p
3 E(i,j)=0.0;
4 end
5 end
6 for i=1:n
14 BAB 1. MATRIK DAN KOMPUTASI
7 for j=1:p
8 for k=1:m
9 E(i,j)=E(i,j)+A(i,k)
*
B(k,j);
10 end
11 end
12 end
dalam Fortran77
1 do i=1,n
2 do j=1,p
3 E(i,j)=0.0
4 end do
5 end do
6 do i=1,n
7 do j=1,p
8 do k=1,m
9 E(i,j)=E(i,j)+A(i,k)
*
B(k,j)
10 end do
11 end do
12 end do
dimana akan diperoleh hasil berupa matrik E yang berukuran n x p.
1.4.5 Perkalian matrik dan vektor-kolom
Operasi perkalian antara matrik dan vektor-kolom sebenarnya sama saja dengan perkalian an-
tara dua matrik. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1, dimana
m merupakan jumlah baris sementara jumlah kolomnya hanya satu. Misalnya matrik A, pa-
da contoh 1, dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan
mengatakan vektor-kolom x berukuran 3, lalu hasilnya (misalnya) dinamakan vektor-kolom y
y = Ax
y =
¸
3 8 5
6 4 7
¸

2
3
4
¸
¸
¸
=
¸
3.2 + 8.3 + 5.4
6.2 + 4.3 + 7.4
¸
=
¸
50
52
¸
Sekali lagi, tanpa mempedulikan nilai elemen-elemen masing-masing, operasi perkalian antara
matrik A dan vektor-kolom x, bisa juga dinyatakan dalam indeksnya masing-masing, yaitu
¸
y
1
y
2
¸
=
¸
a
11
.x
1
+ a
12
.x
2
+ a
13
.x
3
a
21
.x
1
+ a
22
.x
2
+ a
23
.x
3
¸
1.4. OPERASI MATEMATIKA 15
Bila dijabarkan, maka elemen-elemen vektor-kolom y adalah
y
1
= a
11
.x
1
+ a
12
.x
2
+ a
13
.x
3
y
2
= a
21
.x
1
+ a
22
.x
2
+ a
23
.x
3
kemudian secara sederhana dapat diwakili oleh rumus berikut
y
i
=
3
¸
j=1
a
ij
x
j
dimana i=1,2.
Berdasarkan contoh tersebut, secara umum bila ada matrik A berukuran n x m yang dikalikan
dengan vektor-kolom x berukuran m, maka akan didapatkan vektor-kolom y berukuran n x 1
dimana elemen-elemen vektor-kolom y memenuhi
y
i
=
m
¸
j=1
a
ij
x
j
(1.15)
dengan i=1,2,. . . ,n.
1.4.6 Komputasi perkalian matrik dan vektor-kolom
Sama seperti perkalian dua matrik, komputasi untuk operasi perkalian antara matrik Aberuku-
ran n x m dan vektor-kolom x berukuran m dilakukan melalui 2 tahap; pertama adalah mem-
berikan nilai 0 (nol) pada elemen-elemen vektor-kolom y yang berukuran n. Lalu tahap kedua
adalah melakukan proses perkalian. Kedua tahapan ini digabung jadi satu dalam program
berikut ini
1 for i=1:n
2 b(i,1)=0.0;
3 end
4 for i=1:n
5 for j=1:m
6 b(i,1)=b(i,1)+A(i,j)
*
x(j,1);
7 end
8 end
dan dalam Fortran
1 do i=1,n
2 b(i,1)=0.0
3 end do
4 do i=1,n
5 do j=1,m
6 b(i,1)=b(i,1)+A(i,j)
*
x(j,1)
7 end do
8 end do
16 BAB 1. MATRIK DAN KOMPUTASI
1.5 Penutup
Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matrik dasar yang seringkali
dijumpai dalam pengolahan data fisika secara numerik. Semuanya akan dijadikan acuan atau
referensi pada pembahasan topik-topik numerik yang akan datang.
1.6 Latihan
Diketahui matrik A, matrik B, dan vektor x sebagai berikut
A =

1 3 −6 −2
5 9 7 5.6
2 4 8 −1
2.3 1.4 0.8 −2.3
¸
¸
¸
¸
¸
¸
B =

8 1 4 21
3 10 5 0.1
7 −2 9 −5
2.7 −12 −8.9 5.7
¸
¸
¸
¸
¸
¸
x =

0.4178
−2.9587
56.3069
8.1
¸
¸
¸
¸
¸
¸
1. Buatlah script untuk menyelesaikan penjumlahan matrik A dan matrik B.
2. Buatlah script untuk menyelesaikan perkalian matrik A dan matrik B.
3. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x.
4. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x.
Bab 2
Metode Eliminasi Gauss
Objektif :
⊲ Mengenalkan sistem persamaan linear.
⊲ Mengenalkan teknik triangularisasi dan substitusi mundur.
⊲ Aplikasi metode Eliminasi Gauss menggunakan matrik.
⊲ Membuat algoritma metode Eliminasi Gauss.
⊲ Menghitung invers matrik menggunakan metode Eliminasi Gauss.
2.1 Sistem persamaan linear
Secara umum, sistem persamaan linear dinyatakan sebagai berikut
P
n
: a
n1
x
1
+ a
n2
x
2
+ ... + a
nn
x
n
= b
n
(2.1)
dimana a dan b merupakan konstanta, x adalah variable, n = 1, 2, 3, ....
Contoh pertama
Misalnya ada sistem persamaan linear yang terdiri dari empat buah persamaan yaitu P
1
,
P
2
, P
3
, dan P
4
seperti berikut ini:
P
1
: x
1
+ x
2
+ 3x
4
= 4
P
2
: 2x
1
+ x
2
− x
3
+ x
4
= 1
P
3
: 3x
1
− x
2
− x
3
+ 2x
4
= -3
P
4
: −x
1
+ 2x
2
+ 3x
3
− x
4
= 4
Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi vari-
abel x
1
, x
2
, x
3
, dan x
4
sehingga semua persamaan diatas menjadi benar. Langkah awal penye-
lesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear.
17
18 BAB 2. METODE ELIMINASI GAUSS
2.2 Triangularisasi dan Substitusi Mundur
Ada banyak jalan untuk mendapatkan bentuk yang lebih sederhana, namun masalahnya, ki-
ta ingin mendapatkan sebuah algoritma program yang nantinya bisa berjalan di komputer,
sedemikian rupa sehingga apapun persamaannya, bisa disederhanakan oleh komputer. Kita
akan berpatokan pada tiga buah aturan operasi untuk menyederhanakan sistem persamaan
linear di atas, yaitu
• Persamaan P
i
dapat dikalikan dengan sembarang konstanta λ, lalu hasilnya ditempatkan
di posisi persamaan P
i
. Simbol operasi ini adalah (λP
i
) →(P
i
).
• Persamaan P
j
dapat dikalikan dengan sembarang konstanta λ kemudian dijumlahkan
dengan persamaan P
i
, lalu hasilnya ditempatkan di posisi persamaan P
i
. Simbol operasi
ini adalah (P
i
+ λP
j
) →(P
i
).
• Persamaan P
i
dan P
j
dapat bertukar posisi. Simbol operasi ini adalah (P
i
) ↔(P
j
).
Maka dengan berpegang pada aturan-aturan tersebut, problemsistempersamaan linear di atas
akan diselesaikan dengan langkah-langkah berikut ini:
1. Gunakan persamaan P
1
untuk menghilangkan variabel x
1
dari persamaan P
2
, P
3
dan P
4
dengan cara (P
2
−2P
1
) →(P
2
), (P
3
−3P
1
) →(P
3
) dan (P
4
+ P
1
) →(P
4
). Hasilnya akan
seperti ini
P
1
: x
1
+ x
2
+ 3x
4
= 4,
P
2
: −x
2
−x
3
−5x
4
= −7,
P
3
: −4x
2
−x
3
−7x
4
= −15,
P
4
: 3x
2
+ 3x
3
+ 2x
4
= 8
2. Gunakan persamaan P
2
untuk menghilangkan variabel x
2
dari persamaan P
3
dan P
4
dengan cara (P
3
−4P
2
) →(P
3
) dan (P
4
+ 3P
2
) →(P
4
). Hasilnya akan seperti ini
P
1
: x
1
+ x
2
+ 3x
4
= 4,
P
2
: −x
2
−x
3
−5x
4
= −7,
P
3
: 3x
3
+ 13x
4
= 13,
P
4
: −13x
4
= −13
Kalau x
3
masih ada di persamaan P
4
, dibutuhkan satu operasi lagi untuk menghilangkan-
nya. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan x
3
.
Bentuk akhir dari keempat persamaan di atas, dikenal sebagai bentuk triangular.
Sampai dengan langkah ke-2 ini, kita berhasil mendapatkan sistem persamaan linear
yang lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Su-
atu sistem persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh ni-
lai pengganti variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak
2.2. TRIANGULARISASI DAN SUBSTITUSI MUNDUR 19
memakan waktu lama dibandingkan sebelum disederhanakan. Sekali kita mendapatkan
nilai pengganti bagi variabel x
4
, maka x
3
, x
2
dan x
1
akan diperoleh dengan mudah dan
cepat, sebagaimana yang dijelaskan pada langkah berikutnya.
3. Selanjutnya kita jalankan proses backward-substitution. Melalui proses ini, yang perta-
ma kali didapat adalah nilai pengganti bagi variabel x
4
, kemudian x
3
, lalu diikuti x
2
, dan
akhirnya x
1
.
P
4
: x
4
=
−13
−13
= 1,
P
3
: x
3
=
1
3
(13 −13x
4
) =
1
3
(13 −13) = 0,
P
2
: x
2
= −(−7 + 5x
4
+ x
3
) = −(−7 + 5 + 0) = 2,
P
1
: x
1
= 4 −3x
4
−x
2
= 4 −3 −2 = −1
Jadi solusinya adalah x
1
= −1, x
2
= 2, x
3
= 0 dan x
4
= 1. Coba sekarang anda cek,
apakah semua solusi ini cocok dan tepat bila dimasukan ke sistempersamaan linear yang
pertama, yaitu yang belum disederhanakan?
OK, mudah-mudahan ngerti ya... Kalau belum paham, coba diulangi bacanya sekali lagi.
Atau, sekarang kita beralih kecontoh yang lain.
20 BAB 2. METODE ELIMINASI GAUSS
Contoh kedua
Misalnya ada sistem persamaan linear, terdiri dari empat buah persamaan yaitu P
1
, P
2
, P
3
,
dan P
4
seperti berikut ini:
P
1
: x
1
− x
2
+ 2x
3
− x
4
= -8
P
2
: 2x
1
− 2x
2
+ 3x
3
− 3x
4
= -20
P
3
: x
1
+ x
2
+ x
3
= -2
P
4
: x
1
− x
2
+ 4x
3
+ 3x
4
= 4
Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkah-
langkah berikut ini:
1. Gunakan persamaan P
1
untuk menghilangkan x
1
dari persamaan P
2
, P
3
dan P
4
dengan
cara (P
2
−2P
1
) →(P
2
), (P
3
−P
1
) →(P
3
) dan (P
4
−P
1
) →(P
4
). Hasilnya akan seperti ini
P
1
: x
1
−x
2
+ 2x
3
−x
4
= −8,
P
2
: −x
3
−x
4
= −4,
P
3
: 2x
2
−x
3
+ x
4
= 6,
P
4
: 2x
3
+ 4x
4
= 12
Perhatikan persamaan P
2
! Akibat dari langkah yang pertama tadi, x
2
hilang dari per-
samaan P
2
. Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P
2
mesti ditukar dengan persamaan yang berada dibawahnya, yaitu P
3
atau P
4
. Supaya
proses triangularisasi dilanjutkan kembali, maka yang paling cocok adalah ditukar den-
gan P
3
.
2. Tukar posisi persamaan P
2
dengan persamaan P
3
, (P
2
↔P
3
). Hasilnya akan seperti ini
P
1
: x
1
−x
2
+ 2x
3
−x
4
= −8,
P
2
: 2x
2
−x
3
+ x
4
= 6,
P
3
: −x
3
−x
4
= −4,
P
4
: 2x
3
+ 4x
4
= 12
3. Gunakan persamaan P
3
untuk menghilangkan x
3
dari persamaan P
4
dengan cara (P
4

2P
3
) →(P
4
). Hasilnya akan seperti ini
P
1
: x
1
−x
2
+ 2x
3
−x
4
= −8,
P
2
: 2x
2
−x
3
+ x
4
= 6,
P
3
: −x
3
−x
4
= −4,
P
4
: 2x
4
= 4
Sampai disini proses triangularisasi telah selesai.
2.3. MATRIK DAN ELIMINASI GAUSS 21
4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali
didapat solusinya adalah x
4
, kemudian x
3
, lalu diikuti x
2
, dan akhirnya x
1
.
P
4
: x
4
=
4
2
= 2,
P
3
: x
3
=
−4 + x
4
−1
= 2,
P
2
: x
2
=
6 + x
3
−x
4
2
= 3,
P
1
: x
1
= −8 + x
2
−2x
3
+ x
4
= −7
Jadi solusinya adalah x
1
= −7, x
2
= 3, x
3
= 2 dan x
4
= 2.
Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diper-
lukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution
kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan pros-
es triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dike-
nal sebagai metode eliminasi gauss.
2.3 Matrik dan Eliminasi Gauss
Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak,
mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . . . . . . . . . . . . . . = . . .
. . . . . . . . . . . . . . . = . . .
a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:

a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
¸
¸
¸
¸
¸
¸

x
1
x
2
.
.
.
x
n
¸
¸
¸
¸
¸
¸
=

b
1
b
2
.
.
.
b
n
¸
¸
¸
¸
¸
¸
(2.2)
Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk
operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang beruku-
22 BAB 2. METODE ELIMINASI GAUSS
ran n x (n + 1) seperti berikut ini:

a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| b
n
¸
¸
¸
¸
¸
¸
=

a
11
a
12
. . . a
1n
| a
1,n+1
a
21
a
22
. . . a
2n
| a
2,n+1
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| a
n,n+1
¸
¸
¸
¸
¸
¸
(2.3)
Berdasarkan contoh pertama yang ada dihalaman depan catatan ini, saya akan tunjukkan pros-
es triangularisasi dan substitusi-mundur dalam operasi matrik terhadap sistem persamaan lin-
ear yang terdiri dari empat persamaan matematika, yaitu (silakan lihat kembali contoh pertama):

1 1 0 3
2 1 −1 1
3 −1 −1 2
−1 2 3 −1
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

4
1
−3
4
¸
¸
¸
¸
¸
¸
Lalu kita dapat membuat matrik augment sebagai berikut:

1 1 0 3 | 4
2 1 −1 1 | 1
3 −1 −1 2 | −3
−1 2 3 −1 | 4
¸
¸
¸
¸
¸
¸
Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom
pertama, yaitu

1 1 0 3 | 4
0 −1 −1 −5 | −7
0 −4 −1 −7 | −15
0 3 3 2 | 8
¸
¸
¸
¸
¸
¸
lalu dilanjutkan ke kolom berikutnya

1 1 0 3 | 4
0 −1 −1 −5 | −7
0 0 3 13 | 13
0 0 0 −13 | −13
¸
¸
¸
¸
¸
¸
Sebelum dilanjutkan ke substitusi-mundur, saya ingin menegaskan peranan angka-angka in-
deks dari masing-masing elemen matrik augment tersebut. Silakan perhatikan posisi masing-
2.4. ALGORITMA ELIMINASI GAUSS 23
masing elemen berikut ini:

1 1 0 3 | 4
0 −1 −1 −5 | −7
0 0 3 13 | 13
0 0 0 −13 | −13
¸
¸
¸
¸
¸
¸

a
11
a
12
a
13
a
14
| a
15
a
21
a
22
a
23
a
24
| a
25
a
31
a
32
a
33
a
34
| a
35
a
41
a
42
a
43
a
44
| a
45
¸
¸
¸
¸
¸
¸
Dengan memperhatikan angka-angka indeks pada matrik augment di atas, kita akan menco-
ba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti
variabel x. Dimulai dari x
4
,
x
4
=
a
45
a
44
=
−13
−13
= 1
ini dapat dinyatakan dalam rumus umum, yaitu
x
n
=
a
n,n+1
a
nn
lalu dilanjutkan dengan x
3
, x
2
, dan x
1
.
x
3
=
a
35
−a
34
x
4
a
33
=
13 −[(13)(1)]
3
= 0
x
2
=
a
25
−(a
23
x
3
+ a
24
x
4
)
a
22
=
(−7) −[(−1)(0) + (−5)(1)]
(−1)
= 2
x
1
=
a
15
−(a
12
x
2
+ a
13
x
3
+ a
14
x
4
)
a
11
=
4 −[(1)(2) + (0)(0) + (3)(1)]
1
= −1
ini juga dapat dinyatakan dalam rumus umum yaitu:
x
i
=
a
i,n+1

¸
n
j=i+1
a
ij
x
j
a
ii
Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi
gauss yang dapat diterapkan dalam berbagai bahasa pemrograman komputer, misalnya for-
tran, C, java, pascal, matlab, dan lain-lain.
2.4 Algoritma eliminasi Gauss
Secara umum, sistem persamaan linear adalah sebagai berikut:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
.
.
.
.
.
. =
.
.
.
a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
Algoritma dasar metode eliminasi gauss, adalah sebagai berikut:
1. Ubahlah sistem persamaan linear tersebut menjadi matrik augment, yaitu suatu matrik
24 BAB 2. METODE ELIMINASI GAUSS
yang berukuran n x (n + 1) seperti berikut ini:

a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| b
n
¸
¸
¸
¸
¸
¸
=

a
11
a
12
. . . a
1n
| a
1,n+1
a
21
a
22
. . . a
2n
| a
2,n+1
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| a
n,n+1
¸
¸
¸
¸
¸
¸
(2.4)
Jelas terlihat bahwa elemen-elemen yang menempati kolom terakhir matrik augment
adalah nilai dari b
i
; yaitu a
i,n+1
= b
i
dimana i = 1, 2, ..., n.
2. Periksalah elemen-elemen pivot. Apakah ada yang bernilai nol? Elemen-elemen pivot
adalah elemen-elemen yang menempati diagonal suatu matrik, yaitu a
11
, a
22
, ..., a
nn
atau disingkat a
ii
. Jika a
ii
= 0, bisa dilanjutkan ke langkah no.3. Namun, jika ada elemen
diagonal yang bernilai nol, a
ii
= 0, maka baris dimana elemen itu berada harus ditukar
posisinya dengan baris yang ada dibawahnya, (P
i
) ↔ (P
j
) dimana j = i + 1, i + 2, ..., n,
sampai elemen diagonal matrik menjadi tidak nol, a
ii
= 0. (Kalau kurang jelas, silakan lihat
lagi contoh kedua yang ada dihalaman 3. Sebaiknya, walaupun elemen diagonalnya tidak nol,
namun mendekati nol (misalnya 0,03), maka proses pertukaran ini dilakukan juga).
3. Proses triangularisasi. Lakukanlah operasi berikut:
P
j

a
ji
a
ii
P
i
→P
j
(2.5)
dimana j = i + 1, i + 2, ..., n. Maka matrik augment akan menjadi:

a
11
a
12
a
13
. . . a
1n
| a
1,n+1
0 a
22
a
23
. . . a
2n
| a
2,n+1
0 0 a
33
. . . a
3n
| a
3,n+1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. |
.
.
.
0 0 0 0 a
nn
| a
n,n+1
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2.6)
4. Hitunglah nilai x
n
dengan cara:
x
n
=
a
n,n+1
a
nn
(2.7)
5. Lakukanlah proses substitusi-mundur untuk memperoleh x
n−1
, x
n−2
, ..., x
2
, x
1
dengan
cara:
x
i
=
a
i,n+1

¸
n
j=i+1
a
ij
x
j
a
ii
(2.8)
dimana i = n −1, n −2, ..., 2, 1.
Demikianlan algoritma dasar metode eliminasi gauss. Selanjutnya algoritma dasar tersebut
perlu dirinci lagi sebelum dapat diterjemahkan kedalam bahasa pemrograman komputer.
2.4. ALGORITMA ELIMINASI GAUSS 25
2.4.1 Algoritma
Algoritma metode eliminasi gauss untuk menyelesaikan n x n sistem persamaan linear.
P
1
: a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
P
2
: a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
. =
.
.
.
P
n
: a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
INPUT: sejumlah persamaan linear dimana konstanta-konstanta-nya menjadi elemen-elemen
matrik augment A = (a
ij
), dengan 1 ≤ i ≤ n dan 1 ≤ j ≤ n + 1.
OUTPUT: solusi x
1
, x
2
, x
3
, ..., x
n
atau pesan kesalahan yang mengatakan bahwa sistem per-
samaan linear tidak memiliki solusi yang unik.
• Langkah 1: Inputkan konstanta-konstanta dari sistempersamaan linear kedalamelemen-
elemen matrik augment, yaitu suatu matrik yang berukuran n x (n + 1) seperti berikut
ini:

a
11
a
12
. . . a
1n
| b
1
a
21
a
22
. . . a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| b
n
¸
¸
¸
¸
¸
¸
=

a
11
a
12
. . . a
1n
| a
1,n+1
a
21
a
22
. . . a
2n
| a
2,n+1
.
.
.
.
.
.
.
.
. |
.
.
.
a
n1
a
n2
. . . a
nn
| a
n,n+1
¸
¸
¸
¸
¸
¸
(2.9)
• Langkah 2: Untuk i = 1, ..., n −1, lakukan Langkah 3 sampai Langkah 5.
• Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. Lalu pastikan bahwa
a
pi
= 0. Jika ada elemen diagonal yang bernilai nol (a
ii
= 0), maka program harus
mencari dan memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang
sama dengan kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini
berlangsung, integer i (indeks dari kolom) dibuat konstan, sementara integer p (in-
deks dari baris) bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai
elemen paling bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai
a
pi
= 0, maka sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki
solusi yang unik. Lalu program berakhir: STOP.
• Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh
elemen yang tidak nol (a
pi
= 0), maka bisa dipastikan p = i. Jika p = i maka
lakukan proses pertukaran (P
p
) ↔(P
i
).
• Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.
• Langkah 6: Tentukan m
ji
,
m
ji
=
a
ji
a
ii
26 BAB 2. METODE ELIMINASI GAUSS
• Langkah 7: Lakukan proses triangularisasi,
(P
j
−m
ji
P
i
) →(P
j
)
• Langkah 8: Setelah proses triangularisasi dilalui, periksalah a
nn
. Jika a
nn
= 0, kirimkan
pesan: sistem persamaan linear tidak memiliki solusi yang unik. Lalu program berakhir:
STOP.
• Langkah 9: Jika a
nn
= 0, lakukan proses substitusi mundur, dimulai dengan menentukan
x
n
,
x
n
=
a
n,n+1
a
nn
• Langkah 10: Untuk i = n −1, ..., 1 tentukan x
i
,
x
i
=
a
i,n+1

¸
n
j=i+1
a
ij
x
j
a
ii
• Langkah 11: Diperoleh solusi yaitu x
1
, x
2
, ..., x
n
. Algoritma telah dijalankan dengan suk-
ses. STOP.
Saya telah membuat program sederhana dalam fortran untuk mewujudkan algoritma elim-
inasi gauss. Saya berasumsi bahwa anda sudah menguasai dasar-dasar pemrograman dalam
fortran. Program ini sudah dicoba di-compile dengan fortran77 under Linux Debian dan
visual-fortran under windows-XP.
Langkah-langkah yang tercantum pada program ini disesuaikan dengan langkah-langkah
yang tertulis di atas. Dalam program ini, ukuran maksimum matrik augment adalah 10 x
11, untuk mencari 10 variabel yang tidak diketahui. Jika anda bermaksud memperbesar atau
memperkecil ukuran matrik augment, silakan sesuaikan angka ukuran matrik yang anda in-
ginkan pada statemen pertama dari programini, yaitu statemen DIMENSION. Inilah program-
nya,
1 DIMENSION A(10,11), X(10)
2 REAL MJI
3 WRITE (
*
,
*
) ’=PROGRAM ELIMINASI GAUSS=’
4 WRITE (
*
,
*
)
5 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK AUGMENT
6 WRITE (
*
,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
7 READ (
*
,
*
) N
8 WRITE (
*
,
*
)
9 WRITE (
*
,
*
) ’MASUKAN ELEMEN-ELEMEN MATRIK AUGMENT’
10 M = N + 1
11 DO 50 I = 1,N
12 DO 60 J = 1,M
13 WRITE (
*
,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (
*
,
*
) A(I,J)
15 60 CONTINUE
16 50 CONTINUE
17 WRITE (
*
,
*
)
18 C MENAMPILKAN MATRIK AUGMENT
2.4. ALGORITMA ELIMINASI GAUSS 27
19 WRITE (
*
,’(1X,A)’) ’MATRIK AUGMENT:’
20 DO 110 I = 1,N
21 WRITE (
*
,’(1X,5(F14.8))’) (A(I,J),J=1,M)
22 110 CONTINUE
23 WRITE (
*
,
*
)
24 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT DAN PROSES TUKAR POSISI
25 NN = N-1
26 DO 10 I=1,NN
27 C LANGKAH 3: MENDEFINISIKAN P
28 P = I
29 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
30 P = P+1
31 GOTO 100
32 200 IF(P.EQ.N+1)THEN
33 C MENAMPILKAN PESAN TIDAK UNIK
34 WRITE(
*
,5)
35 GOTO 400
36 END IF
37 C LANGKAH 4: PROSES TUKAR POSISI
38 IF(P.NE.I) THEN
39 DO 20 JJ=1,M
40 C = A(I,JJ)
41 A(I,JJ) = A(P,JJ)
42 A(P,JJ) = C
43 20 CONTINUE
44 END IF
45 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
46 JJ = I+1
47 DO 30 J=JJ,N
48 C LANGKAH 6: TENTUKAN MJI
49 MJI = A(J,I)/A(I,I)
50 C LANGKAH 7: MELAKUKAN PROSES TRIANGULARISASI
51 DO 40 K=JJ,M
52 A(J,K) = A(J,K)-MJI
*
A(I,K)
53 40 CONTINUE
54 A(J,I) = 0
55 30 CONTINUE
56 10 CONTINUE
57 C MENAMPILKAN HASIL TRIANGULARISASI
58 WRITE (
*
,’(1X,A)’) ’HASIL TRIANGULARISASI:’
59 DO 120 I = 1,N
60 WRITE (
*
,’(1X,5(F14.8))’) (A(I,J),J=1,M)
61 120 CONTINUE
62 C LANGKAH 8: MEMERIKSA ELEMEN A(N,N)
63 IF(ABS(A(N,N)).LT.1.0E-20) THEN
64 C MENAMPILKAN PESAN TIDAK UNIK
65 WRITE(
*
,5)
66 GOTO 400
67 END IF
68 C LANGKAH 9: MENGHITUNG X(N)
69 X(N) = A(N,N+1)/A(N,N)
70 C LANGKAH 10: PROSES SUBSTITUSI MUNDUR
71 L = N-1
72 DO 15 K=1,L
73 I = L-K+1
74 JJ = I+1
75 SUM = 0.0
76 DO 16 KK=JJ,N
77 SUM = SUM+A(I,KK)
*
X(KK)
28 BAB 2. METODE ELIMINASI GAUSS
78 16 CONTINUE
79 X(I) = (A(I,N+1)-SUM)/A(I,I)
80 15 CONTINUE
81 C LANGKAH 11: MENAMPILKAN HASIL PERHITUNGAN
82 WRITE (
*
,
*
)
83 WRITE (
*
,7)
84 DO 18 I = 1,N
85 WRITE (
*
,’(1X,A,I2,A,F14.8)’) ’X(’,I,’) = ’,X(I)
86 18 CONTINUE
87 400 STOP
88
89 5 FORMAT(1X,’SISTEM LINEAR TIDAK MEMILIKI SOLUSI YANG UNIK’)
90 7 FORMAT(1X,’SOLUSI UNIK’)
91 END
Script eliminasi gauss dalam matlab juga telah dibuat. Namun dalam anda perlu memodifikasi
elemen-elemen matrik A agar sesuai dengan data yang hendak anda olah.
1 clear all
2 clc
3 A(1,1)=1;
4 A(1,2)=1;
5 A(1,3)=-1;
6 A(1,4)=0;
7 A(2,1)=6;
8 A(2,2)=-4;
9 A(2,3)=0;
10 A(2,4)=24;
11 A(3,1)=6;
12 A(3,2)=0;
13 A(3,3)=2;
14 A(3,4)=10;
15 A
16 n=3 %jumlah persamaan
17 pause
18
19 %========== Proses Triangularisasi =========
20 for j=1:(n-1)
21
22 %----mulai proses pivot---
23 if (A(j,j)==0)
24 for p=1:n+1
25 u=A(j,p);
26 v=A(j+1,p);
27 A(j+1,p)=u;
28 A(j,p)=v;
29 end
30 end
31 %----akhir proses pivot---
32 jj=j+1;
33 for i=jj:n
34 m=A(i,j)/A(j,j);
35 for k=1:(n+1)
36 A(i,k)=A(i,k)-(m
*
A(j,k));
37 end
38 end
39 end
40 A
2.5. CONTOH APLIKASI 29
41 pause
42 %========= Akhir Proses Triangularisasi ===
43
44 %------Proses Substitusi mundur-------------
45 x(n,1)=A(n,n+1)/A(n,n);
46
47 for i=n-1:-1:1
48 S=0;
49 for j=n:-1:i+1
50 S=S+A(i,j)
*
x(j,1);
51 end
52 x(i,1)=(A(i,n+1)-S)/A(i,i);
53 end
54 x
2.5 Contoh aplikasi
2.5.1 Menghitung arus listrik
Gunakan metode Eliminasi Gauss untuk menentukan arus i
1
, i
2
dan i
3
yang mengalir pada
rangkaian berikut ini
jawab:
Berdasarkan Hukum Kirchhoff:
I
1
+ I
2
= I
3
10 −6I
1
−2I
3
= 0
−14 + 6I
1
−10 −4I
2
= 0
Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini:
I
1
+ I
2
−I
3
= 0
6I
1
+ 2I
3
= 10
6I
1
−4I
2
= 24
30 BAB 2. METODE ELIMINASI GAUSS
Kemudian dinyatakan dalam bentuk matriks:

1 1 −1
6 −4 0
6 0 2
¸
¸
¸

I
1
I
2
I
3
¸
¸
¸
=

0
24
10
¸
¸
¸
Selanjutkan kita susun matriks augmentasi sebagai berikut:

1 1 −1 0
6 −4 0 24
6 0 2 10
¸
¸
¸
Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah se-
bagai berikut:
m =
a
21
a
11
=
6
1
= 6
a
21
= a
21
−m.a
11
= 6 −(6).(1) = 0
a
22
= a
22
−m.a
12
= −4 −(6).(1) = −10
a
23
= a
23
−m.a
13
= 0 −(6).(−1) = 6
a
24
= a
24
−m.a
14
= 24 −(6).(0) = 24
m =
a
31
a
11
=
6
1
= 6
a
31
= a
31
−m.a
11
= 6 −(6).(1) = 0
a
32
= a
32
−m.a
12
= 0 −(6).(1) = −6
a
33
= a
33
−m.a
13
= 2 −(6).(−1) = 8
a
34
= a
34
−m.a
14
= 10 −(6).(0) = 10
Sampai disini matriks augment mengalami perubahan menjadi

1 1 −1 0
0 −10 6 24
0 −6 8 10
¸
¸
¸
2.6. MENGHITUNG INVERS MATRIK 31
Kelanjutan langkah menuju triangularisasi adalah
m =
a
32
a
22
=
−6
−10
a
31
= a
31
−m.a
21
= 0 −(
−6
−10
).(0) = 0
a
32
= a
32
−m.a
22
= −6 −(
−6
−10
).(−10) = 0
a
33
= a
33
−m.a
23
= 8 −(
−6
−10
).(6) = 4, 4
a
34
= a
34
−m.a
24
= 10 −(
−6
−10
).(24) = −4, 4
maka matriks triangularisasi berhasil didapat yaitu

1 1 −1 0
0 −10 6 24
0 0 4, 4 −4, 4
¸
¸
¸
Sekarang tinggal melakukan proses substitusi mundur
I
3
=
a
34
a
33
=
−4, 4
4, 4
= −1
I
2
=
a
24
−a
23
.I
3
a
22
=
24 −(6).(−1)
−10
= −3
I
1
=
a
14
−(a
13
.I
3
+ a
12
.I
2
)
a
11
=
(0 −[(−1).(−1) + (1).(−3)]
1
= 2
Dengan demikian, besar masing-masing arus pada rangkaian di atas adalah I
1
= 2A, I
2
= −3A
dan I
3
= −1A. Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan
arah dengan asumsi awal yang kita gunakan.
2.6 Menghitung invers matrik
Sekali lagi saya ulangi apa yang pernah kita bahas di awal bab ini yaitu bahwa sistem per-
samaan linear dapat dinyatakan sebagai berikut:
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . . . . . . . . . . . . . . = . . .
. . . . . . . . . . . . . . . = . . .
a
n1
x
1
+ a
n2
x
2
+ . . . + a
nn
x
n
= b
n
Sistem persamaan linear tersebut dapat dinyatakan dalam bentuk operasi matrik,
Ax = b (2.10)
32 BAB 2. METODE ELIMINASI GAUSS
sehingga bentuknya menjadi seperti ini:

a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
¸
¸
¸
¸
¸
¸

x
1
x
2
.
.
.
x
n
¸
¸
¸
¸
¸
¸
=

b
1
b
2
.
.
.
b
n
¸
¸
¸
¸
¸
¸
dimana
A =

a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
¸
¸
¸
¸
¸
¸
, x =

x
1
x
2
.
.
.
x
n
¸
¸
¸
¸
¸
¸
, b =

b
1
b
2
.
.
.
b
n
¸
¸
¸
¸
¸
¸
Dalam kaitannya dengan invers matrik, matrik A disebut matrik non-singular jika matrik
A memiliki matrik invers dirinya yaitu A
−1
. Atau dengan kata lain, matrik A
−1
adalah invers
dari matrik A. Jika matrik A tidak memiliki invers, maka matrik A disebut singular. Bila
matrik Adikalikan dengan matrik A
−1
maka akan menghasilkan matrik identitas I, yaitu suatu
matrik yang elemen-elemen diagonalnya bernilai 1.
AA
−1
= I =

1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
¸
¸
¸
¸
¸
¸
(2.11)
Misalnya diketahui,
A =

1 2 −1
2 1 0
−1 1 2
¸
¸
¸
, A
−1
=


2
9
5
9

1
9
4
9

1
9
2
9

1
3
1
3
1
3
¸
¸
¸
Bila keduanya dikalikan, maka akan menghasilkan matrik identitas,
AA
−1
=

1 2 −1
2 1 0
−1 1 2
¸
¸
¸


2
9
5
9

1
9
4
9

1
9
2
9

1
3
1
3
1
3
¸
¸
¸
=

1 0 0
0 1 0
0 0 1
¸
¸
¸
Lalu bagaimana cara mendapatkan matrik invers, A
−1
? Persamaan (2.11) bisa dijadikan
pedoman..
AA
−1
= I

1 2 −1
2 1 0
−1 1 2
¸
¸
¸

i
11
i
12
i
13
i
21
i
22
i
23
i
31
i
32
i
33
¸
¸
¸
=

1 0 0
0 1 0
0 0 1
¸
¸
¸
2.6. MENGHITUNG INVERS MATRIK 33
dalam hal ini matrik A
−1
adalah
A
−1
=

i
11
i
12
i
13
i
21
i
22
i
23
i
31
i
32
i
33
¸
¸
¸
Elemen-elemen matrik invers, A
−1
dapat diperoleh dengan menerapkan metode eliminasi
gauss. Diawali dengan membentuk matrik augment:

1 2 −1 | 1 0 0
2 1 0 | 0 1 0
−1 1 2 | 0 0 1
¸
¸
¸
Lalu dilanjutkan dengan proses triangularisasi: (P
2
−2P
1
)→(P
2
) dan (P
3
+P
1
)→(P
3
), kemudian
diikuti oleh (P
3
+ P
2
)→(P
3
):

1 2 −1 | 1 0 0
0 −3 2 | −2 1 0
0 3 1 | 1 0 1
¸
¸
¸

1 2 −1 | 1 0 0
0 −3 2 | −2 1 0
0 0 3 | −1 1 1
¸
¸
¸
Langkah berikutnya, matrik augment yang telah mengalami triangularisasi tersebut dipecah
menjadi tiga buah matrik augment seperti berikut ini:

1 2 −1 | 1
0 −3 2 | −2
0 0 3 | −1
¸
¸
¸

1 2 −1 | 0
0 −3 2 | 1
0 0 3 | 1
¸
¸
¸

1 2 −1 | 0
0 −3 2 | 0
0 0 3 | 1
¸
¸
¸
Langkah pamungkasnya adalah melakukan proses substitusi mundur pada ketiga matrik aug-
ment di atas, sehingga diperoleh:
i
11
= −
2
9
i
21
=
4
9
i
31
= −
1
3
i
12
=
5
9
i
22
= −
1
9
i
32
=
1
3
i
13
= −
1
9
i
23
=
2
9
i
33
=
1
3
Hasil tersebut digabung menjadi sebuah matrik, yaitu matrik A
−1
,
A
−1
=


2
9
5
9

1
9
4
9

1
9
2
9

1
3
1
3
1
3
¸
¸
¸
Keberadaan matrik A
−1
bisa digunakan untuk menyelesaikan sistem persamaan linear
34 BAB 2. METODE ELIMINASI GAUSS
(mencari nilai x), dengan cara sebagai berikut
Ax = b
A
−1
Ax = A
−1
b
Ix = A
−1
b
x = A
−1
b (2.12)
Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. Misalnya diketahui sistem
persamaan linear
x
1
+ 2x
2
−x
3
= 2
2x
1
+ x
2
= 3
−x
1
+ x
2
+ 2x
3
= 4
Bila dikonversikan kedalam operasi matrik menjadi

1 2 −1
2 1 0
−1 1 2
¸
¸
¸

x
1
x
2
x
3
¸
¸
¸
=

2
3
4
¸
¸
¸
Berdasarkan persamaan (2.12), maka elemen-elemen vektor x dapat dicari dengan cara
x = A
−1
b
x =


2
9
5
9

1
9
4
9

1
9
2
9

1
3
1
3
1
3
¸
¸
¸

2
3
4
¸
¸
¸
=

7
9
13
9
5
3
¸
¸
¸
Akhirnya diperoleh solusi x
1
= 7/9, x
2
= 13/9, dan x
3
= 5/3. Penyelesaian sistem persamaan
linear menjadi lebih mudah bila matrik A
−1
sudah diketahui. Sayangnya, untuk mendap-
atkan matrik A
−1
, diperlukan langkah-langkah, seperti yang sudah dibahas pada contoh per-
tama di atas, yang berakibat in-efisiensi proses penyelesaian (secara komputasi) bila diband-
ingkan dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Namun
bagaimanapun, secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan
matrik A
−1
.
Saya telah memodifikasi program eliminasi gauss yang terdahulu, untuk keperluan perhi-
tungan matrik invers. Program ini ditulis dengan bahasa fortran, sudah berhasil dikompilasi
dalam Linux Debian (g77) dan Windows XP (Visual Fortran). Inilah programnya,
1 DIMENSION A(10,20), D(10,10), X(10)
2 REAL MJI
3 INTEGER TKR, BK, TK, Q
4 WRITE (
*
,
*
) ’=PROGRAM INVERS MATRIK DENGAN ELIMINASI GAUSS=’
5 WRITE (
*
,
*
)
2.6. MENGHITUNG INVERS MATRIK 35
6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A
7 WRITE (
*
,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (
*
,
*
) N
9 WRITE (
*
,
*
)
10 WRITE (
*
,
*
) ’MASUKAN ELEMEN-ELEMEN MATRIK A’
11 M = N + 1
12 DO 50 I = 1,N
13 DO 60 J = 1,N
14 WRITE (
*
,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
15 READ (
*
,
*
) A(I,J)
16 60 CONTINUE
17 50 CONTINUE
18 C LANGKAH 2: MENDEFINISIKAN MATRIK IDENTITAS
19 WRITE (
*
,
*
) ’MENDEFINISIKAN MATRIK IDENTITAS’
20 DO 70 I = 1,N
21 DO 80 J = M,N+N
22 A(I,J) = 0
23 IF (I+N .EQ. J) THEN
24 A(I,J) = 1
25 END IF
26 80 CONTINUE
27 70 CONTINUE
28 WRITE (
*
,
*
)
29 C MENAMPILKAN MATRIK AUGMENT
30 WRITE (
*
,’(1X,A)’) ’MATRIK AUGMENT:’
31 DO 110 I = 1,N
32 WRITE (
*
,’(1X,5(F14.8))’) (A(I,J),J=1,N+N)
33 110 CONTINUE
34 WRITE (
*
,
*
)
35 C MENGHITUNG JUMLAH TUKAR (TKR) POSISI. MULA2 TKR = 0
36 TKR = 0
37 C MENGHITUNG JUMLAH OPERASI BAGI/KALI (BK).
38 BK = 0
39 C MENGHITUNG JUMLAH OPERASI TAMBAH/KURANG (TK).
40 TK = 0
41 C LANGKAH 3: MEMERIKSA ELEMEN2 PIVOT DAN PROSES TUKAR POSISI
42 NN = N-1
43 DO 10 I=1,NN
44 C LANGKAH 4: MENDEFINISIKAN P
45 P = I
46 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
47 P = P+1
48 GOTO 100
49 200 IF(P.EQ.N+1)THEN
50 C MENAMPILKAN PESAN SINGULAR
51 WRITE(
*
,5)
52 GOTO 400
53 END IF
54 C LANGKAH 5: PROSES TUKAR POSISI
55 IF(P.NE.I) THEN
56 DO 20 JJ=1,N+N
57 C = A(I,JJ)
58 A(I,JJ) = A(P,JJ)
59 A(P,JJ) = C
60 TKR = TKR + 1
61 20 CONTINUE
62 END IF
63 C LANGKAH 6: PERSIAPAN PROSES TRIANGULARISASI
64 JJ = I+1
36 BAB 2. METODE ELIMINASI GAUSS
65 DO 30 J=JJ,N
66 C LANGKAH 7: TENTUKAN MJI
67 MJI = A(J,I)/A(I,I)
68 BK = BK + 1
69 C LANGKAH 8: MELAKUKAN PROSES TRIANGULARISASI
70 DO 40 K=JJ,N+N
71 A(J,K) = A(J,K)-MJI
*
A(I,K)
72 BK = BK + 1
73 TK = TK + 1
74 40 CONTINUE
75 A(J,I) = 0
76 30 CONTINUE
77 10 CONTINUE
78 C MENAMPILKAN HASIL TRIANGULARISASI
79 WRITE (
*
,’(1X,A)’) ’HASIL TRIANGULARISASI:’
80 DO 120 I = 1,N
81 WRITE (
*
,’(1X,5(F14.8))’) (A(I,J),J=1,N+N)
82 120 CONTINUE
83 C LANGKAH 9: MEMERIKSA ELEMEN A(N,N)
84 IF(ABS(A(N,N)).LT.1.0E-20) THEN
85 C MENAMPILKAN PESAN SINGULAR
86 WRITE(
*
,5)
87 GOTO 400
88 END IF
89 DO 500 J = 1,N
90 Q=N+J
91 C LANGKAH 10: MENGHITUNG A(N,N)
92 D(J,N) = A(N,Q)/A(N,N)
93 BK = BK + 1
94 C LANGKAH 11: PROSES SUBSTITUSI MUNDUR
95 L = N-1
96 DO 15 K=1,L
97 I = L-K+1
98 JJ = I+1
99 SUM = 0.0
100 DO 16 KK=JJ,N
101 SUM = SUM+A(I,KK)
*
D(J,KK)
102 BK = BK + 1
103 TK = TK + 1
104 16 CONTINUE
105 D(J,I) = (A(I,Q)-SUM)/A(I,I)
106 BK = BK + 1
107 TK = TK + 1
108 15 CONTINUE
109 500 CONTINUE
110 C LANGKAH 12: MENAMPILKAN HASIL PERHITUNGAN
111 WRITE (
*
,
*
)
112 WRITE (
*
,’(1X,A)’) ’MATRIK INVERS:’
113 DO 220 I = 1,N
114 WRITE (
*
,’(1X,5(F14.8))’) (D(J,I),J=1,N)
115 220 CONTINUE
116 WRITE(
*
,8) TKR
117 WRITE(
*
,9) BK
118 WRITE(
*
,11) TK
119 400 STOP
120 5 FORMAT(1X,’MATRIK A BERSIFAT SINGULAR’)
121 8 FORMAT(1X,’JUMLAH TUKAR POSISI = ’,3X,I5)
122 9 FORMAT(1X,’JUMLAH OPERASI BAGI/KALI = ’,3X,I6)
123 11 FORMAT(1X,’JUMLAH OPERASI JUMLAH/KURANG = ’,3X,I6)
2.7. PENUTUP 37
124 END
2.7 Penutup
Silakan anda coba aplikasikan program di atas dengan berbagai sistem persamaan linear yang
pernah dijadikan contoh pada catatan terdahulu. Saya cukupkan sementara sampai disini.
Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan
hubungi saya melalui email yang tercantum di halaman paling depan.
Bab 3
Aplikasi Eliminasi Gauss pada Masalah
Inversi
Objektif :
⊲ Mengenalkan model garis.
⊲ Mengenalkan model parabola.
⊲ Mengenalkan model bidang.
Pada bab ini, saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasar-
dasar teknik inversi yaitu meliputi model garis, model parabola dan model bidang. Uraian ap-
likasi tersebut diawali dari ketersediaan data observasi, lalu sejumlah parameter model mesti
dicari dengan teknik inversi. Mari kita mulai dari model garis.
3.1 Inversi Model Garis
Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa
semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N
= 4) pengukuran temperatur (T
i
) pada kedalaman yang berbeda beda (z
i
). Tabel pengukuran
secara sederhana disajikan seperti ini:
Tabel 3.1: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 35
2 z
2
= 16 T
2
= 57
3 z
3
= 25 T
3
= 75
4 z
4
= 100 T
4
= 225
Grafik sebaran data observasi ditampilkan pada Gambar (3.1). Lalu kita berasumsi bahwa
variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini:
m
1
+ m
2
z
i
= T
i
(3.1)
39
40 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
0 10 20 30 40 50 60 70 80 90 100
0
50
100
150
200
250
Kedalaman (meter)
T
e
m
p
e
r
a
t
u
r

(
C
e
l
c
i
u
s
)
Variasi temperatur terhadap kedalaman
Gambar 3.1: Sebaran data observasi antara temperatur dan kedalaman
dimana m
1
dan m
2
adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut model
matematika. Sedangkan m
1
dan m
2
disebut parameter model. Pada model matematika di atas
terdapat dua buah parameter model, (M = 2). Sementara jumlah data observasi ada empat,
(N = 4), yaitu nilai-nilai kedalaman, z
i
, dan temperatur, T
i
. Berdasarkan model tersebut, kita
bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut:
m
1
+ m
2
z
1
= T
1
m
1
+ m
2
z
2
= T
2
m
1
+ m
2
z
3
= T
3
m
1
+ m
2
z
4
= T
4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z
1
1 z
2
1 z
3
1 z
4
¸
¸
¸
¸
¸
¸
¸
m
1
m
2
¸
=

T
1
T
2
T
3
T
4
¸
¸
¸
¸
¸
¸
(3.2)
Lalu ditulis secara singkat
Gm = d (3.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
3.1. INVERSI MODEL GARIS 41
patkan nilai m
1
dan m
2
pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
G
t
Gm = G
t
d (3.4)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

1 z
1
1 z
2
1 z
3
1 z
4
¸
¸
¸
¸
¸
¸
⇒ G
t
=
¸
1 1 1 1
z
1
z
2
z
3
z
4
¸
2. Tentukan G
t
G
G
t
G =
¸
1 1 1 1
z
1
z
2
z
3
z
4
¸

1 z
1
1 z
2
1 z
3
1 z
4
¸
¸
¸
¸
¸
¸
=
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula G
t
d
G
t
d =
¸
1 1 1 1
z
1
z
2
z
3
z
4
¸

T
1
T
2
T
3
T
4
¸
¸
¸
¸
¸
¸
=
¸
¸
T
i
¸
z
i
T
i
¸
4. Sekarang persamaan (3.4) dapat dinyatakan sebagai
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸¸
m
1
m
2
¸
=
¸
¸
T
i
¸
z
i
T
i
¸
(3.5)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya
¸
N
¸
z
i
|
¸
T
i
¸
z
i
¸
z
2
i
|
¸
z
i
T
i
¸
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
42 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
tabel pengukuran dihalaman depan.
¸
4 146 | 392
146 10906 | 25462
¸
7. Lakukan proses triangularisasi dengan operasi (P
2
− (36, 5)P
1
) → P
2
. Saya sertakan
pula indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya
lakukan pada catatan kuliah yang berjudul Metode Eliminasi Gauss. Hasilnya adalah
¸
4 146 | 392
0 5577 | 11154
¸
=
¸
a
11
a
12
| a
13
a
21
a
22
| a
23
¸
8. Terakhir, tentukan konstanta m
1
dan m
2
yang merupakan elemen-elemen vektor kolom
m, dengan proses substitusi mundur. Pertama tentukan m
2
m
2
=
a
23
a
22
=
11154
5577
= 2
lalu tentukan m
1
m
1
=
a
13
−a
12
m
2
a
11
=
392 −(146)(2)
4
= 25
3.1.1 Script matlab inversi model garis
Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelum-
nya, yaitu script transpose matriks, perkalian matrik dan script eliminasi gauss. Silakan pela-
jari maksud tiap-tiap baris pada script ini.
1 clc
2 clear all
3
4 disp(’Data observasi’)
5 z1=5;
6 z2=16;
7 z3=25;
8 z4=100;
9
10 T(1,1)=35;
11 T(2,1)=57;
12 T(3,1)=75;
13 T(4,1)=225;
14
15 disp(’Elemen-elemen matriks kernel G’)
16 G(1,1)=1;
17 G(1,2)=z1;
18 G(2,1)=1;
19 G(2,2)=z2;
20 G(3,1)=1;
21 G(3,2)=z3;
22 G(4,1)=1;
23 G(4,2)=z4;
24 G
3.1. INVERSI MODEL GARIS 43
25 d=T;
26 d
27
28 N=4; %jumlah data
29 M=2; %model parameter
30
31 disp(’Mencari G transpos’)
32 for i=1:N
33 for j=1:M
34 GT(j,i)=G(i,j);
35 end
36 end
37 GT
38
39 disp(’Perkalian GT dan G’)
40 for i=1:M
41 for j=1:M
42 GTG(i,j)=0;
43 end
44 end
45 for i=1:M
46 for j=1:M
47 for k=1:N
48 GTG(i,j)=GTG(i,j)+GT(i,k)
*
G(k,j);
49 end
50 end
51 end
52 GTG
53
54 disp(’Perkalian GT dan d’)
55 for i=1:M
56 for j=1:1
57 GTd(i,j)=0;
58 end
59 end
60 for i=1:M
61 for j=1:1
62 for k=1:N
63 GTd(i,j)=GTd(i,j)+GT(i,k)
*
d(k,j);
64 end
65 end
66 end
67 GTd
68
69 A=GTG;
70 %====== Menggabungkan Vektor GTd kedalam matrik A ========
71 n=M;
72 for i=1:n
73 A(i,n+1)=GTd(i,1);
74 end
75 A
76
77 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
78 %---------Proses Triangularisasi-----------
79 for j=1:(n-1)
80
81 %----mulai proses pivot---
82 if (A(j,j)==0)
83 for p=1:n+1
44 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
84 u=A(j,p);
85 v=A(j+1,p);
86 A(j+1,p)=u;
87 A(j,p)=v;
88 end
89 end
90 %----akhir proses pivot---
91 jj=j+1;
92 for i=jj:n
93 m=A(i,j)/A(j,j);
94 for k=1:(n+1)
95 A(i,k)=A(i,k)-(m
*
A(j,k));
96 end
97 end
98 end
99 %-------------------------------------------
100
101 %------Proses Substitusi mundur-------------
102 x(n,1)=A(n,n+1)/A(n,n);
103
104 for i=n-1:-1:1
105 S=0;
106 for j=n:-1:i+1
107 S=S+A(i,j)
*
x(j,1);
108 end
109 x(i,1)=(A(i,n+1)-S)/A(i,i);
110 end
111 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
112 disp(’Model parameter yang dicari’)
113 m=x
Sebetulnya, matlab telah menyediakan fungsi-fungsi intrinsik yang bisa digunakan sehing-
ga dapat memperkecil jumlah baris pada script di atas. Dari line 28 sampai line 113 dapat
dipangkas menjadi
1 m=inv(G’
*
G)
*
G’
*
d %Proses inversi linear
Lalu mengapa kita harus bersusah payah membangun script yang begitu panjang bila mat-
lab bisa melakukannya dengan mudah? Karena kita sedang mempelajari teknik-teknik kom-
putasi untuk menyelesaikan problem sains dan teknik. Kita tidak sedang belajar matlab. Ja-
di teknik-teknik yang dipelajari disini harus bisa diterapkan di selain matlab. Script singkat
m = inv(G

∗ G) ∗ G

∗ d hanya berlaku di matlab, sementara script yang panjangnya 113 line
dapat diterjemahkan dengan sangat mudah ke dalam bahasa pemrograman selain matlab.
Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki ben-
tuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model persamaan
garis atau disingkat model garis: y = m1 + m2x. Selanjutnya mari kita pelajari inversi model
parabola.
3.2. INVERSI MODEL PARABOLA 45
3.2 Inversi Model Parabola
Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bah-
wa semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak delapan
kali (N = 8) pengukuran temperatur (T
i
) pada kedalaman yang berbeda beda (z
i
). Tabel pen-
gukuran secara sederhana disajikan seperti ini:
Tabel 3.2: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 21, 75
2 z
2
= 8 T
2
= 22, 68
3 z
3
= 14 T
3
= 25, 62
4 z
4
= 21 T
4
= 30, 87
5 z
5
= 30 T
5
= 40, 5
6 z
6
= 36 T
6
= 48, 72
7 z
7
= 45 T
7
= 63, 75
8 z
8
= 60 T
8
= 96
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m
1
+ m
2
z
i
+ m
3
z
2
i
= T
i
(3.6)
dimana m
1
, m
2
dan m
3
adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut
model. Sedangkan m
1
, m
2
dan m
3
disebut model parameter. Jadi pada model di atas terdapat
tiga buah model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai
temperatur T
1
, T
2
,..., dan T
8
. Berdasarkan model tersebut, kita bisa menyatakan temperatur
dan kedalaman masing-masing sebagai berikut:
m
1
+ m
2
z
1
+ m
3
z
2
1
= T
1
m
1
+ m
2
z
2
+ m
3
z
2
2
= T
2
m
1
+ m
2
z
3
+ m
3
z
2
3
= T
3
m
1
+ m
2
z
4
+ m
3
z
2
4
= T
4
m
1
+ m
2
z
5
+ m
3
z
2
5
= T
5
m
1
+ m
2
z
6
+ m
3
z
2
6
= T
6
m
1
+ m
2
z
7
+ m
3
z
2
7
= T
7
m
1
+ m
2
z
8
+ m
3
z
2
8
= T
8
46 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(3.7)
Lalu ditulis secara singkat
Gm = d (3.8)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m
1
, m
2
dan m
3
pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
G
t
Gm = G
t
d (3.9)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
t
=

1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
¸
¸
¸
2. Tentukan G
t
G
G
t
G =

1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
¸
¸
¸

1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

N
¸
z
i
¸
z
2
i
¸
z
i
¸
z
2
i
¸
z
3
i
¸
z
2
i
¸
z
3
i
¸
z
4
i
¸
¸
¸
3.2. INVERSI MODEL PARABOLA 47
dimana N = 8 dan i = 1, 2, 3, ..., 8.
3. Kemudian tentukan pula G
t
d
G
t
d =

1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
¸
¸
¸

T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

¸
T
i
¸
z
i
T
i
¸
z
2
i
T
i
¸
¸
¸
4. Sekarang persamaan (3.14) dapat dinyatakan sebagai (ini khan least square juga...!?)

N
¸
z
i
¸
z
2
i
¸
z
i
¸
z
2
i
¸
z
3
i
¸
z
2
i
¸
z
3
i
¸
z
4
i
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

¸
T
i
¸
z
i
T
i
¸
z
2
i
T
i
¸
¸
¸
(3.10)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya

N
¸
z
i
¸
z
2
i
|
¸
T
i
¸
z
i
¸
z
2
i
¸
z
3
i
|
¸
z
i
T
i
¸
z
2
i
¸
z
3
i
¸
z
4
i
|
¸
z
2
i
T
i
¸
¸
¸
6. Untuk mempermudah perhitungan, kita masukan dulu angka-angka yang tertera pada
tabel pengukuran dihalaman depan.

8 219 8547 | 349, 89
219 8547 393423 | 12894, 81
8547 393423 19787859 | 594915, 33
¸
¸
¸
7. Lakukan proses triangularisasi dengan operasi (P
2
−(219/8)P
1
) →P
2
. Hasilnya adalah

8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
8547 393423 19787859 | 594915, 33
¸
¸
¸
8. Masih dalam proses triangularisai, operasi berikutnya (P
3
−(8547/8)P
1
) →P
3
. Hasilnya
48 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
adalah

8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
0 159448.88 10656457, 88 | 221101, 6
¸
¸
¸
9. Masih dalam proses triangularisai, operasi berikutnya (P
3
− (159448, 88/2551, 88)P
2
) →
P
3
. Hasilnya adalah

8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
0 0 693609, 48 | 13872, 19
¸
¸
¸
(3.11)
Seperti catatan yang lalu, saya ingin menyertakan pula notasi masing-masing elemen
pada matrik augment sebelum melakukan proses substitusi mundur.

8 219 8547 | 349, 89
0 2551, 88 159448, 88 | 3316, 57
0 0 693609, 48 | 13872, 19
¸
¸
¸

a
11
a
12
a
13
| a
14
a
21
a
22
a
23
| a
24
a
31
a
32
a
33
| a
34
¸
¸
¸
10. Terakhir, tentukan konstanta m
1
, m
2
dan m
3
yang merupakan elemen-elemen vektor
kolom m, dengan proses substitusi mundur. Pertama tentukan m
3
m
3
=
a
34
a
33
=
13872, 19
693609, 48
= 0, 02
lalu m
2
m
2
=
a
24
−a
23
m
3
a
22
=
3316, 57 −(159448, 88)(0, 02)
2551, 88
= 0, 05
dan m
1
m
1
=
a
14
−(a
12
m
2
+ a
13
m
3
)
a
11
=
349, 89 −[(219)(0, 05) + (8547)(0, 02)
8
= 21
3.2.1 Script matlab inversi model parabola
Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemen-
elemen matrik kernel. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika
yang digunakan. Seperti pada script ini, matrik kernelnya diturunkan dari persamaan parabo-
la.
1 clc
2 clear all
3
4 z1=5;
5 z2=8;
6 z3=14;
7 z4=21;
3.2. INVERSI MODEL PARABOLA 49
8 z5=30;
9 z6=36;
10 z7=45;
11 z8=60;
12
13 T(1,1)=21.75;
14 T(2,1)=22.68;
15 T(3,1)=25.62;
16 T(4,1)=30.87;
17 T(5,1)=40.5;
18 T(6,1)=48.72;
19 T(7,1)=63.75;
20 T(8,1)=96;
21
22 G(1,1)=1;
23 G(1,2)=z1;
24 G(1,3)=z1^2;
25 G(2,1)=1;
26 G(2,2)=z2;
27 G(2,3)=z2^2;
28 G(3,1)=1;
29 G(3,2)=z3;
30 G(3,3)=z3^2;
31 G(4,1)=1;
32 G(4,2)=z4;
33 G(4,3)=z4^2;
34 G(5,1)=1;
35 G(5,2)=z5;
36 G(5,3)=z5^2;
37 G(6,1)=1;
38 G(6,2)=z6;
39 G(6,3)=z6^2;
40 G(7,1)=1;
41 G(7,2)=z7;
42 G(7,3)=z7^2;
43 G(8,1)=1;
44 G(8,2)=z8;
45 G(8,3)=z8^2;
46
47 G
48 d=T;
49 d
50
51 N=8; %jumlah data
52 M=3; %model parameter
53 pause
54
55
56 %%%%%===========Proses inversi==============
57 disp(’Mencari G transpos’)
58 for i=1:N
59 for j=1:M
60 GT(j,i)=G(i,j);
61 end
62 end
63 GT
64
65 disp(’Perkalian GT dan G’)
66 for i=1:M
50 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
67 for j=1:M
68 GTG(i,j)=0;
69 end
70 end
71 for i=1:M
72 for j=1:M
73 for k=1:N
74 GTG(i,j)=GTG(i,j)+GT(i,k)
*
G(k,j);
75 end
76 end
77 end
78 GTG
79
80 disp(’Perkalian GT dan d’)
81 for i=1:M
82 for j=1:1
83 GTd(i,j)=0;
84 end
85 end
86 for i=1:M
87 for j=1:1
88 for k=1:N
89 GTd(i,j)=GTd(i,j)+GT(i,k)
*
d(k,j);
90 end
91 end
92 end
93 GTd
94
95 A=GTG;
96 %====== Menggabungkan Vektor GTd kedalam matrik A ========
97 n=M;
98 for i=1:n
99 A(i,n+1)=GTd(i,1);
100 end
101 A
102 pause
103
104 disp(’Hasil Eliminasi Gauss’)
105 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
106 %---------Proses Triangularisasi-----------
107 for j=1:(n-1)
108
109 %----mulai proses pivot---
110 if (A(j,j)==0)
111 for p=1:n+1
112 u=A(j,p);
113 v=A(j+1,p);
114 A(j+1,p)=u;
115 A(j,p)=v;
116 end
117 end
118 %----akhir proses pivot---
119 jj=j+1;
120 for i=jj:n
121 m=A(i,j)/A(j,j);
122 for k=1:(n+1)
123 A(i,k)=A(i,k)-(m
*
A(j,k));
124 end
125 end
3.3. INVERSI MODEL BIDANG 51
126 end
127 %-------------------------------------------
128
129 %------Proses Substitusi mundur-------------
130 x(n,1)=A(n,n+1)/A(n,n);
131
132 for i=n-1:-1:1
133 S=0;
134 for j=n:-1:i+1
135 S=S+A(i,j)
*
x(j,1);
136 end
137 x(i,1)=(A(i,n+1)-S)/A(i,i);
138 end
139 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
140 %%%%%%%%%%%=====AKHIR DARI INVERSI MODEL GARIS==========
141 m=x
Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. Anda
bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki ben-
tuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu memiliki tiga buah
model parameter yang tidak diketahui dalam bentuk persamaan parabola: y = m
1
+ m
2
x +
m
3
x
2
. Pada catatan berikutnya, saya akan membahas model yang mengandung tiga model
parameter dalam 2 dimensi.
3.3 Inversi Model Bidang
Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut
ini:
m
1
+ m
2
x
i
+ m
3
y
i
= d
i
(3.12)
dimana m
1
, m
2
dan m
3
merupakan model parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d
1
, d
2
, d
3
, ..., d
i
. Berdasarkan model tersebut, kita bisa menyatakan temper-
atur dan kedalaman masing-masing sebagai berikut:
m
1
+ m
2
x
1
+ m
3
y
1
= d
1
m
1
+ m
2
x
2
+ m
3
y
2
= d
2
m
1
+ m
2
x
3
+ m
3
y
3
= d
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m
1
+ m
2
x
N
+ m
3
y
N
= d
N
52 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
¸
¸
¸
¸
¸
¸
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

d
1
d
2
d
3
.
.
.
d
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
Lalu ditulis secara singkat
Gm = d (3.13)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m
1
, m
2
dan m
3
pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
G
t
Gm = G
t
d (3.14)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
t
=

1 1 1 · · · 1
x
1
x
2
x
3
· · · x
N
y
1
y
2
y
3
· · · y
N
¸
¸
¸
2. Tentukan G
t
G
G
t
G =

1 1 1 · · · 1
x
1
x
2
x
3
· · · x
N
y
1
y
2
y
3
· · · y
N
¸
¸
¸

1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

N
¸
x
i
¸
y
i
¸
x
i
¸
x
2
i
¸
x
i
y
i
¸
y
i
¸
x
i
y
i
¸
y
2
i
¸
¸
¸
dimana N = jumlah data. dan i = 1, 2, 3, ..., N.
3. Kemudian tentukan pula G
t
d
G
t
d =

1 1 1 · · · 1
x
1
x
2
x
3
· · · x
N
y
1
y
2
y
3
· · · y
N
¸
¸
¸

d
1
d
2
d
3
.
.
.
d
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

¸
d
i
¸
x
i
d
i
¸
y
i
d
i
¸
¸
¸
3.4. CONTOH APLIKASI 53
4. Sekarang, persamaan (3.14) dapat dinyatakan sebagai

N
¸
x
i
¸
y
i
¸
x
i
¸
x
2
i
¸
x
i
y
i
¸
y
i
¸
x
i
y
i
¸
y
2
i
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

¸
d
i
¸
x
i
d
i
¸
y
i
d
i
¸
¸
¸
(3.15)
5. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. Untuk itu, tentukan
matrik augment-nya

N
¸
x
i
¸
y
i
|
¸
d
i
¸
x
i
¸
x
2
i
¸
x
i
y
i
|
¸
x
i
d
i
¸
y
i
¸
x
i
y
i
¸
y
2
i
|
¸
y
i
d
i
¸
¸
¸
6. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model lin-
ear dan model parabola)
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m
1
+ m
2
x + m
3
y.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email: supri@fisika.ui.ac.id.
3.4 Contoh aplikasi
3.4.1 Menghitung gravitasi di planet X
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengelu-
arkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Tabel 3.3: Data ketinggian terhadap waktu dari planet X
Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00 5,00 2,75 7,62
0,25 5,75 3,00 7,25
0,50 6,40 3,25 6,77
0,75 6,94 3,50 6,20
1,00 7,38 3,75 5,52
1,25 7,72 4,00 4,73
1,50 7,96 4,25 3,85
1,75 8,10 4,50 2,86
2,00 8,13 4,75 1,77
2,25 8,07 5,00 0,58
2,50 7,90
Plot data pengukuran waktu vs ketinggian diperlihatkan sebagai berikut
54 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
9
Waktu (detik)
T
i
n
g
g
i

(
m
e
t
e
r
)
Gambar 3.2: Grafik data pengukuran gerak batu
Anda diminta untuk membantu pengolahan data di atas. Jika anda menggunakan asumsi
model matematik dari Gerak-Lurus-Berubah-Beraturan (GLBB) seperti ini
h
o
+ v
o
t −
1
2
gt
2
= h
maka gunakanlah prinsip-prinsip inversi untuk menentukan kecapatan awal, v
o
dan konstanta
gravitasi, g pada planet tersebut.
jawab:
Berdasarkan tabel di atas, diketahui terdapat 21 data. Ketinggian pada saat t = 0 adalah h
o
= 5
m. Untuk mencari v
o
dan g menggunakan metode inversi, mula-mula kita definisikan terlebih
dahulu m
1
dan m
2
:
m
1
= v
o
m
2
= −
1
2
g
sehingga persamaan model GLBB menjadi
5 + m
1
t
i
+ m
2
t
2
i
= h
i
dimana i menunjukkan data ke-i. Langkah selanjutnya adalah menentukan nilai tiap-tiap ele-
3.4. CONTOH APLIKASI 55
men matrik kernel, yaitu dengan memasukan semua data kedalam persamaan model GLBB
5 + m
1
t
1
+ m
2
t
2
1
= h
1
5 + m
1
t
2
+ m
2
t
2
2
= h
2
5 + m
1
t
3
+ m
2
t
2
3
= h
3
.
.
.
.
.
. =
.
.
.
5 + m
1
t
20
+ m
2
t
2
20
= h
20
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
m
1
m
2
¸
=

h
1
h
2
h
3
.
.
.
h
19
h
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Sebelum dilanjut, coba perhatikan dengan teliti operasi matrik di atas. Adakah yang janggal??
Yep.. matrik kernel G berukuran 20x3 sementara vektor m berukuran 2x1, tentu saja operasi
perkalian matrik akan gagal. Untuk menghindarinya, kita tambahkan m
0
pada vektor m, se-
hingga operasi tersebut menjadi

5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

m
0
m
1
m
2
¸
¸
¸
=

h
1
h
2
h
3
.
.
.
h
19
h
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Namun, perlu dicatat bahwa m
0
harus punya syarat, yaitu harus bernilai 1 atau m
0
=1. Ini
boleh dibilang sebagai sebuah aksioma, atau sesuatu yang tak perlu dibuktikan lagi tapi tak
bisa dibantah. Tinggal nanti bisa kita periksa hasil inversinya. Bila m
0
bernilai 1, maka proses
inversi dianggap sukses. Kemudian operasi matrik tersebut bisa ditulis secara singkat
Gm = d
Untuk menyelesaikan persamaan matrik ini, diperlukan modifikasi berikut
G
T
Gm = G
T
d (3.16)
56 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
m
0
, m
1
dan m
2
, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
T
=

5 5 5 5 . . . 5 5
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
¸
¸
¸
2. Tentukan G
T
G
G
T
G =

5 5 5 5 . . . 5 5
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
¸
¸
¸

5 t
1
t
2
1
5 t
2
t
2
2
5 t
3
t
2
3
5 t
4
t
2
4
.
.
.
.
.
.
.
.
.
5 t
19
t
2
19
5 t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

25N 5
¸
t
i
5
¸
t
2
i
5
¸
t
i
¸
t
2
i
¸
t
3
i
5
¸
t
2
i
¸
t
3
i
¸
t
4
i
¸
¸
¸
dimana N = 20 dan i = 1, 2, ..., 20.
3. Kemudian tentukan pula G
T
d
G
T
d =

5 5 5 5 . . . 5 5
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
¸
¸
¸

h
1
h
2
h
3
h
4
.
.
.
h
19
h
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

5
¸
h
i
¸
t
i
h
i
¸
t
2
i
h
i
¸
¸
¸
4. Sekarang persamaan (3.16) dapat dinyatakan sebagai

25N 5
¸
t
i
5
¸
t
2
i
5
¸
t
i
¸
t
2
i
¸
t
3
i
5
¸
t
2
i
¸
t
3
i
¸
t
4
i
¸
¸
¸

m
0
m
1
m
2
¸
¸
¸
=

5
¸
h
i
¸
t
i
h
i
¸
t
2
i
h
i
¸
¸
¸
(3.17)
3.4. CONTOH APLIKASI 57
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
9
Waktu (dt)
K
e
t
i
n
g
g
i
a
n

(
m
)
Gambar 3.3: Grafik hasil inversi parabola

500 262, 5 896, 9
262, 5 179, 4 689, 1
896, 9 689, 1 2822, 9
¸
¸
¸

m
0
m
1
m
2
¸
¸
¸
=

607, 5
273, 7
796, 3
¸
¸
¸
Hasil operasi matriks ini dapat diselesaikan dengan metode Eliminasi Gauss, yaitu

m
0
m
1
m
2
¸
¸
¸
=

0, 9999
3, 2009
−0, 8169
¸
¸
¸
Lihatlah! m
0
= 0,9999 atau mendekati 1. Dan ini sesuai dengan aksioma yang telah dinyatakan
di awal bahwa memang m
0
harus bernilai 1. Jika m
0
tidak bernilai 1 berarti teknik inversinya
salah total.
Hasil inversi juga menunjukkan bahwa kecepatan awal yaitu saat batu dilempar ke atas
adalah sebesar m
1
= v
o
= 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m
2
dimana
m
2
= −
1
2
g = -0,8169. Sehingga nilai g adalah sebesar 1,6338 m/dt
2
.
Gambar 3.3 memperlihatkan grafik kurva hasil inversi. Garis berwarna biru merupakan
garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwarna merah adalah data pen-
gukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa garis kurva berwarna biru
benar-benar cocok melewati semua titik data pengukuran. Ini menunjukkan tingkat akurasi
yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid un-
tuk menjelaskan gerak batu di planet X.
58 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini
1 clear all
2 clc;
3
4 N=20; %jumlah data
5 M=3; %model parameter
6 for i=1:N
7 t(i)=i
*
0.25;
8 end
9 h(1)=5.75;
10 h(2)=6.40;
11 h(3)=6.94;
12 h(4)=7.38;
13 h(5)=7.72;
14 h(6)=7.96;
15 h(7)=8.10;
16 h(8)=8.13;
17 h(9)=8.07;
18 h(10)=7.90;
19 h(11)=7.62;
20 h(12)=7.25;
21 h(13)=6.77;
22 h(14)=6.20;
23 h(15)=5.52;
24 h(16)=4.73;
25 h(17)=3.85;
26 h(18)=2.86;
27 h(19)=1.77;
28 h(20)=0.58;
29
30 for i=1:N
31 G(i,1)=5;
32 G(i,2)=t(i);
33 G(i,3)=t(i)^2;
34 end
35 G
36 for i=1:N
37 d(i,1)=h(i);
38 end
39 d
40
41 %%%%%===========Proses inversi==============
42 disp(’Mencari G transpos’)
43 for i=1:N
44 for j=1:M
45 GT(j,i)=G(i,j);
46 end
47 end
48 GT
49
50 disp(’Perkalian GT dan G’)
51 for i=1:M
52 for j=1:M
53 GTG(i,j)=0;
54 end
55 end
56 for i=1:M
57 for j=1:M
3.4. CONTOH APLIKASI 59
58 for k=1:N
59 GTG(i,j)=GTG(i,j)+GT(i,k)
*
G(k,j);
60 end
61 end
62 end
63 GTG
64
65 disp(’Perkalian GT dan d’)
66 for i=1:M
67 for j=1:1
68 GTd(i,j)=0;
69 end
70 end
71 for i=1:M
72 for j=1:1
73 for k=1:N
74 GTd(i,j)=GTd(i,j)+GT(i,k)
*
d(k,j);
75 end
76 end
77 end
78 GTd
79
80 A=GTG;
81 %====== Menggabungkan Vektor GTd kedalam matrik A ========
82 n=M;
83 for i=1:n
84 A(i,n+1)=GTd(i,1);
85 end
86 A
87 pause
88
89 disp(’Hasil Eliminasi Gauss’)
90 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
91 %---------Proses Triangularisasi-----------
92 for j=1:(n-1)
93
94 %----mulai proses pivot---
95 if (A(j,j)==0)
96 for p=1:n+1
97 u=A(j,p);
98 v=A(j+1,p);
99 A(j+1,p)=u;
100 A(j,p)=v;
101 end
102 end
103 %----akhir proses pivot---
104 jj=j+1;
105 for i=jj:n
106 m=A(i,j)/A(j,j);
107 for k=1:(n+1)
108 A(i,k)=A(i,k)-(m
*
A(j,k));
109 end
110 end
111 end
112 %-------------------------------------------
113 %------Proses Substitusi mundur-------------
114 x(n,1)=A(n,n+1)/A(n,n);
115
116 for i=n-1:-1:1
60 BAB 3. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI
117 S=0;
118 for j=n:-1:i+1
119 S=S+A(i,j)
*
x(j,1);
120 end
121 x(i,1)=(A(i,n+1)-S)/A(i,i);
122 end
123 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
124 %%%%%%%%%%%===== AKHIR DARI PROSES INVERSI ==========
125 m=x
126
127 %-------MENGGAMBAR GRAFIK----------------------
128 plot(t,h,’ro’);
129 xlabel(’Waktu (dt)’);ylabel(’Ketinggian (m)’);
130 hold on;
131 for i=1:20
132 hi(i)=5+m(2)
*
t(i)+m(3)
*
t(i)^2;
133 end
134 plot(t,hi);
135 hold off;
Bab 4
Metode LU Decomposition
Objektif :
⊲ Mengenalkan teknik faktorisasi matrik.
⊲ Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear.
⊲ Merumuskan algoritma LU Decomposition.
4.1 Faktorisasi matrik
Pada semua catatan yang terdahulu, telah diulas secara panjang lebar bahwa sistempersamaan
linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Namun perlu
juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalam mencari solusi sistem
persamaan linear, misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan
yang paling terakhir. Terlepas dari masalah in-efisiensi penyelesaiannya, yang jelas metode
invers matrik bisa digunakan untuk menyelesaikan sistem persamaan linear.
Nah, pada catatan kali ini, saya ingin mengetengahkan sebuah metode yang lain untuk
menyelesaikan sistem persamaan linear, yaitu metode faktorisasi matrik yang umum dikenal
sebagai LU-decomposition. Metode ini sekaligus menjadi pengantar menuju metode Singular
Value Decomposition, (SVD), suatu metode yang saat ini paling “handal” dalam menyelesaikan
sistem persamaan linear dan merupakan bagian dari metode least square.
Seperti biasa, kita berasumsi bahwa sistem persamaan linear dapat dinyatakan dalam op-
erasi matrik
Ax = b (4.1)
Pada metode LU-decomposition, matrik A difaktorkan menjadi matrik L dan matrik U, dimana
dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. Atau dengan kata
lain, hasil perkalian matrik L dan matrik U adalah matrik A,
A = LU (4.2)
61
62 BAB 4. METODE LU DECOMPOSITION
sehingga persamaan (6.4) menjadi
LUx = b
Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition, diawali den-
gan menghadirkan vektor y dimana,
Ux = y (4.3)
Langkah tersebut tidak bermaksud untuk menghitung vektor y, melainkan untuk menghitung
vektor x. Artinya, sebelum persamaan (4.3) dieksekusi, nilai-nilai yang menempati elemen-
elemen vektor y harus sudah diketahui. Lalu bagaimana cara memperoleh vektor y? Begini
caranya,
Ly = b (4.4)
Kesimpulannya, metode LU-decomposition dilakukan dengan tiga langkah sebagai berikut:
• Melakukan faktorisasi matrik A menjadi matrik L dan matrik U →A = LU.
• Menghitung vektor y dengan operasi matrik Ly = b. Ini adalah proses forward-substitution
atau substitusi-maju.
• Menghitung vektor x dengan operasi matrik Ux = y. Ini adalah proses backward-substitution
atau substitusi-mundur.
Metode LU-decomposition bisa dibilang merupakan modifikasi dari eliminasi gauss, karena
beberapa langkah yang mesti dibuang pada eliminasi gauss, justru harus dipakai oleh LU-
decomposition. Untuk lebih jelasnya, perhatikan contoh berikut ini. Diketahui sistempersamaan
linear sebagai berikut
P
1
: x
1
+ x
2
+ 3x
4
= 4
P
2
: 2x
1
+ x
2
− x
3
+ x
4
= 1
P
3
: 3x
1
− x
2
− x
3
+ 2x
4
= -3
P
4
: −x
1
+ 2x
2
+ 3x
3
− x
4
= 4
Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y,

1 1 0 3
2 1 −1 1
3 −1 −1 2
−1 2 3 −1
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

4
1
−3
4
¸
¸
¸
¸
¸
¸
(4.5)
Pada metode eliminasi gauss, matrik A dikonversi menjadi matrik triangular melalui urutan
operasi-operasi berikut: (P
2
− 2P
1
) → (P
2
), (P
3
− 3P
1
) → (P
3
), (P
4
− (−1)P
1
) → (P
4
), (P
3

4P
2
) → (P
3
), (P
4
− (−3)P
2
) → (P
4
). Disisi lain, vektor b ikut berubah nilainya menyesuaikan
4.1. FAKTORISASI MATRIK 63
proses triangularisasi,

1 1 0 3
0 −1 −1 −5
0 0 3 13
0 0 0 −13
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

4
−7
13
−13
¸
¸
¸
¸
¸
¸
(4.6)
Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan.
Yang berubah hanya matrik A saja, yaitu menjadi matrik L dan matrik U, A = LU
A =

1 1 0 3
2 1 −1 1
3 −1 −1 2
−1 2 3 −1
¸
¸
¸
¸
¸
¸
=

1 0 0 0
2 1 0 0
3 4 1 0
−1 −3 0 1
¸
¸
¸
¸
¸
¸

1 1 0 3
0 −1 −1 −5
0 0 3 13
0 0 0 −13
¸
¸
¸
¸
¸
¸
Jadi matrik L dan U masing-masing adalah
L =

1 0 0 0
2 1 0 0
3 4 1 0
−1 −3 0 1
¸
¸
¸
¸
¸
¸
U =

1 1 0 3
0 −1 −1 −5
0 0 3 13
0 0 0 −13
¸
¸
¸
¸
¸
¸
Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi
gauss pada persamaan (4.6), sama persis bukan? Jadi, cara memperoleh matrik U adalah den-
gan proses triangularisasi! Lantas, bagaimana cara memperoleh matrik L? Begini caranya: (1)
elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja, cara ini dikenal dengan metode
Doolittle). (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal diberi ni-
lai 0. (3) sedangkan, elemen-elemen matrik L yang berada di bawah elemen-elemen diago-
nal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.
Misalnya pada operasi (P
2
− 2P
1
) → (P
2
), maka faktor pengalinya adalah 2; pada operasi
(P
3
−3P
1
) →(P
3
), maka faktor pengalinya adalah 3, dan seterusnya.
Inilah letak perbedaannya, seluruh faktor pengali tersebut sangat dibutuhkan pada metode
LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss, seluruh
faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Disisi lain, vektor b tidak
mengalami proses apapun sehingga nilainya tetap. Jadi, proses konversi matrik pada metode
LU-decomposition hanya melibatkan matrik A saja!
Setelah langkah faktorisasi matrik A dilalui, maka operasi matrik pada persamaan (4.5)
menjadi,

1 0 0 0
2 1 0 0
3 4 1 0
−1 −3 0 1
¸
¸
¸
¸
¸
¸

1 1 0 3
0 −1 −1 −5
0 0 3 13
0 0 0 −13
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

4
1
−3
4
¸
¸
¸
¸
¸
¸
(4.7)
64 BAB 4. METODE LU DECOMPOSITION
Langkah berikutnya adalah menentukan vektor y, dimana Ly = b,

1 0 0 0
2 1 0 0
3 4 1 0
−1 −3 0 1
¸
¸
¸
¸
¸
¸

y
1
y
2
y
3
y
4
¸
¸
¸
¸
¸
¸
=

4
1
−3
4
¸
¸
¸
¸
¸
¸
Dengan proses substitusi-maju, elemen-elemen vektor y dapat ditentukan,
y
1
= 4,
2y
1
+ y
2
= 1,
3y
1
+ 4y
2
+ y
3
= −3,
−y
1
−3y
2
+ y
4
= 4
maka diperoleh y
1
= 4, y
2
= −7, y
3
= 13, y
4
= −13.
Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x, dimana Ux =
y,

1 1 0 3
0 −1 −1 −5
0 0 3 13
0 0 0 −13
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

4
−7
13
−13
¸
¸
¸
¸
¸
¸
Melalui proses ini, yang pertama kali didapat solusinya adalah x
4
, kemudian x
3
, lalu diikuti
x
2
, dan akhirnya x
1
.
x
4
= 1
x
3
=
1
3
(13 −13x
4
) = 0
x
2
= −(−7 + 5x
4
+ x
3
) = 2
x
1
= 4 −3x
4
−x
2
= −1
akhirnya diperoleh solusi x
1
= −1, x
2
= 2, x
3
= 0, dan y
4
= 1. Demikianlah contoh penyelesa-
ian sistem persamaan linear dengan metode LU-decomposition.
Sekali matrik A difaktorkan, maka vektor b bisa diganti nilainya sesuai dengan sistem per-
samaan linear yang lain, misalnya seluruh nilai di ruas kanan diganti menjadi
P
1
: x
1
+ x
2
+ 3x
4
= 8
P
2
: 2x
1
+ x
2
− x
3
+ x
4
= 7
P
3
: 3x
1
− x
2
− x
3
+ 2x
4
= 14
P
4
: −x
1
+ 2x
2
+ 3x
3
− x
4
= -7
4.2. ALGORITMA 65
Dalam operasi matrik menjadi

1 1 0 3
2 1 −1 1
3 −1 −1 2
−1 2 3 −1
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

8
7
14
−7
¸
¸
¸
¸
¸
¸
(4.8)
Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. Perbedaannya hanya
pada vektor b. Selanjutnya, dengan metode LU-decomposition, persamaan (4.8) menjadi

1 0 0 0
2 1 0 0
3 4 1 0
−1 −3 0 1
¸
¸
¸
¸
¸
¸

1 1 0 3
0 −1 −1 −5
0 0 3 13
0 0 0 −13
¸
¸
¸
¸
¸
¸

x
1
x
2
x
3
x
4
¸
¸
¸
¸
¸
¸
=

8
7
14
−7
¸
¸
¸
¸
¸
¸
(4.9)
Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang
telah diberikan sebelumnya. Pada akhirnya akan diperoleh solusi sebagai berikut: x
1
= 3,
x
2
= −1, x
3
= 0, dan y
4
= 2.
4.2 Algoritma
Sekarang saatnya saya tunjukkan algoritma metode LU decomposition. Algoritma ini dibuat
untuk menyelesaikan sistem persamaan linear, dengan cara menfaktorkan matrik A = (a
ij
)
berukuran n x n menjadi matrik L = (l
ij
) dan matrik U = (u
ij
) dengan ukuran yang sama.
Algoritma LU-decomposition yang anda lihat sekarang merupakan modifikasi dari algorit-
ma eliminasi gauss. Silakan anda periksa langkah-langkah mana saja yang telah mengalami
modifikasi! Tapi asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan
matrik LU. Sejauh yang saya tahu, ada algoritma lain untuk tujuan yang sama, dimana algo-
ritma tersebut membutuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai
nol agar terhindar dari singular. Nah, sedangkan algoritma yang akan anda baca saat ini, sama
sekali tidak “berurusan” dengan matrik permutasi. Algoritma ini cuma memanfaatkan “trik”
tukar posisi yang sudah pernah dibahas di awal-awal catatan khususnya ketika membahas
konsep eliminasi gauss.
Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini, elemen-
elemen matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen
matrik A. Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik Umenjadi
matrik A kembali. Cara ini dimaksudkan untuk menghemat memori komputer. Suatu aspek
yang tidak boleh diabaikan oleh para programer. Marilah kita simak algoritmanya bersama-
sama!
INPUT: dimensi n; nilai elemen a
ij
, 1 ≤ i, j ≤ n; nilai elemen b
i
.
OUTPUT: solusi x
1
, x
2
, x
3
, ..., x
n
atau pesan kesalahan yang mengatakan bahwa faktorisasi
tidak mungkin dilakukan.
66 BAB 4. METODE LU DECOMPOSITION
• Langkah 1: Inputkan konstanta-konstanta dari sistempersamaan linear kedalamelemen-
elemen matrik A dan vektor b, seperti berikut ini:
A =

a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
¸
¸
¸
¸
¸
¸
b =

b
1
b
2
.
.
.
b
n
¸
¸
¸
¸
¸
¸
(4.10)
• Langkah 2: Untuk i = 1, ..., n −1, lakukan Langkah 3 sampai Langkah 5.
• Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. Lalu pastikan bahwa
a
pi
= 0. Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (a
ii
=
0). Ketika ada elemen diagonal yang bernilai nol, maka program harus mencari dan
memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan
kolom tempat elemen diagonal tersebut berada. Jadi saat proses ini berlangsung,
integer i (indeks dari kolom) dibuat konstan, sementara integer p (indeks dari baris)
bergerak dari p = i sampai p = n. Bila ternyata setelah mencapai elemen paling
bawah dalam kolom tersebut, yaitu saat p = n tetap didapat nilai a
pi
= 0, maka
sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang
unik. Lalu program berakhir: STOP.
• Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh
elemen yang tidak sama dengan nol (a
pi
= 0), maka bisa dipastikan p = i. Jika p = i
maka lakukan proses pertukaran (P
p
) ↔(P
i
).
• Langkah 5: Untuk j = i + 1, .., n, lakukan Langkah 6 dan Langkah 7.
• Langkah 6: Tentukan m
ji
,
m
ji
=
a
ji
a
ii
• Langkah 7: Lakukan proses triangularisasi,
(P
j
−m
ji
P
i
) →(P
j
)
• Langkah 8: Nilai m
ji
disimpan ke a
ji
,
a
ji
= m
ji
• Langkah 9: Nilai b
1
dicopy ke y
1
, lalu lakukan substitusi-maju.
y
1
= b
1
Untuk i = 2, ..., n tentukan x
i
,
y
i
= b
i

i−1
¸
j=1
a
ij
y
j
4.2. ALGORITMA 67
• Langkah 10: Lakukan proses substitusi-mundur, dimulai dengan menentukan x
n
,
x
n
=
a
n,n+1
a
nn
Untuk i = n −1, ..., 1 tentukan x
i
,
x
i
=
a
i,n+1

¸
n
j=i+1
a
ij
x
j
a
ii
• Langkah 11: Diperoleh solusi yaitu x
1
, x
2
, ..., x
n
. Algoritma telah dijalankan dengan suk-
ses. STOP.
Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa For-
tran. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77
(debian-linux). Inilah programnya:
1 DIMENSION A(10,11), B(10), Y(10), X(10)
2 REAL MJI
3 WRITE(
*
,
*
)
4 WRITE(
*
,
*
) ’==> FAKTORISASI MATRIK: LU DECOMPOSITION <==’
5 WRITE (
*
,
*
)
6 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B
7 WRITE (
*
,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (
*
,
*
) N
9 WRITE (
*
,
*
)
10 WRITE (
*
,
*
) ’MASUKAN ELEMEN-ELEMEN MATRIK A’
11 DO 50 I = 1,N
12 DO 60 J = 1,N
13 WRITE (
*
,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (
*
,
*
) A(I,J)
15 60 CONTINUE
16 WRITE (
*
,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (
*
,
*
) B(I)
18 WRITE (
*
,
*
)
19 50 CONTINUE
20 WRITE (
*
,
*
)
21 C MENAMPILKAN MATRIK A
22 WRITE (
*
,’(1X,A)’) ’MATRIK A:’
23 DO 110 I = 1,N
24 WRITE (
*
,6) (A(I,J),J=1,N)
25 110 CONTINUE
26 WRITE (
*
,
*
)
27 C LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT
28 NN = N-1
29 DO 10 I=1,NN
30 C LANGKAH 3: MENDEFINISIKAN P
31 P = I
32 100 IF (ABS(A(P,I)).GE.1.0E-20 .OR. P.GT.N) GOTO 200
33 P = P+1
34 GOTO 100
35 200 IF(P.EQ.N+1)THEN
36 C MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN
37 WRITE(
*
,8)
38 GOTO 400
68 BAB 4. METODE LU DECOMPOSITION
39 END IF
40 C LANGKAH 4: PROSES TUKAR POSISI
41 IF(P.NE.I) THEN
42 DO 20 JJ=1,N
43 C = A(I,JJ)
44 A(I,JJ) = A(P,JJ)
45 A(P,JJ) = C
46 20 CONTINUE
47 END IF
48 C LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI
49 JJ = I+1
50 DO 30 J=JJ,N
51 C LANGKAH 6: TENTUKAN MJI
52 MJI = A(J,I)/A(I,I)
53 C LANGKAH 7: PROSES TRIANGULARISASI
54 DO 40 K=JJ,N
55 A(J,K) = A(J,K)-MJI
*
A(I,K)
56 40 CONTINUE
57 C LANGKAH 8: MENYIMPAN MJI KE A(J,I)
58 A(J,I) = MJI
59 30 CONTINUE
60 10 CONTINUE
61 C MENAMPILKAN MATRIK LU
62 WRITE (
*
,’(1X,A)’) ’MATRIK LU:’
63 DO 120 I = 1,N
64 WRITE (
*
,6) (A(I,J),J=1,N)
65 120 CONTINUE
66 WRITE (
*
,
*
)
67 C LANGKAH 9: SUBSTITUSI-MAJU
68 Y(1) = B(1)
69 DO 15 I=2,N
70 SUM = 0.0
71 DO 16 J=1,I-1
72 SUM = SUM+A(I,J)
*
Y(J)
73 16 CONTINUE
74 Y(I) = B(I)-SUM
75 15 CONTINUE
76 C MENAMPILKAN VEKTOR Y
77 WRITE (
*
,’(1X,A)’) ’VEKTOR Y:’
78 DO 138 I = 1,N
79 WRITE (
*
,6) Y(I)
80 138 CONTINUE
81 WRITE (
*
,
*
)
82 C LANGKAH 10: SUBSTITUSI-MUNDUR
83 X(N) = Y(N)/A(N,N)
84 DO 24 K=1,N-1
85 I = N-K
86 JJ = I+1
87 SUM = 0.0
88 DO 26 KK=JJ,N
89 SUM = SUM+A(I,KK)
*
X(KK)
90 26 CONTINUE
91 X(I) = (Y(I)-SUM)/A(I,I)
92 24 CONTINUE
93 C LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI
94 WRITE (
*
,’(1X,A)’) ’SOLUSI:’
95 DO 18 I = 1,N
96 WRITE (
*
,’(1X,A,I2,A,F14.8)’) ’X(’,I,’) = ’,X(I)
97 18 CONTINUE
4.2. ALGORITMA 69
98 WRITE(
*
,
*
)
99 WRITE(
*
,
*
) ’SELESAI --> SUKSES’
100 WRITE(
*
,
*
)
101 400 CONTINUE
102 6 FORMAT(1X,5(F14.8))
103 8 FORMAT(1X,’TIDAK DAPAT DIFAKTORKAN’)
104 END
Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem
persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiga-
nya, eliminasi gauss adalah algoritma yang paling simpel dan efisien. Dia hanya butuh proses
triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma
yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama.
Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu.
Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.
Bab 5
Metode Iterasi
Objektif :
⊲ Mengenalkan konsep Norm.
⊲ Mengenalkan iterasi Jacobi.
⊲ Mengenalkan iterasi Gauss-Seidel.
⊲ Mengenalkan iterasi Succesive-Over-Relaxation (SOR).
5.1 Kelebihan Vektor-kolom
Sebelum kita membahas metode iterasi untuk menyelesaikan problem sistem persamaan lin-
ear, saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepresen-
tasikan elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada bab-bab sebelumnya,
biasanya suatu vektor-kolom ditulis sebagai
x =

x
1
x
2
.
.
.
x
n
¸
¸
¸
¸
¸
¸
(5.1)
Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai
x =

x
1
; x
2
; . . . x
n

t
(5.2)
Contoh:
x =

3
−2
8
5
¸
¸
¸
¸
¸
¸
=

3; −2; 8; 5

t
71
72 BAB 5. METODE ITERASI
Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di
dalam paragraf. Alasannya supaya tidak terlalu menyita banyak ruang penulisan. Sementara,
persamaan (5.1), lebih sering digunakan pada penulisan operasi matrik. Satu hal lagi, pada
paragraf-paragraf berikutnya, saya persingkat penulisan istilah vektor-kolom menjadi vektor
saja.
5.2 Pengertian Norm
Vektor x=(x
1
; x
2
; ...; x
n
)
t
memiliki norm ℓ
2
dan ℓ

yang didefinisikan sebagai

2
= x
2
= {
n
¸
i=1
x
2
i
}
1/2
(5.3)
dan


= x

= max
1≤i≤n
|x
i
| (5.4)
Contoh: x=(3; −2; 8; 5)
t
memiliki norm ℓ
2
yaitu

2
= x
2
=

(3)
2
+ (−2)
2
+ (8)
2
+ (5)
2
= 10, 0995
dan norm ℓ

yaitu


= x

= max{(3), (−2), (8), (5)} = 8
Saya menyarankan agar kedua norm ini diingat-ingat dengan baik, karena akan banyak dis-
inggung pada catatan-catatan berikutnya.
5.2.1 Script perhitungan norm dalam Matlab
Script berikut ini merujuk pada contoh di atas, dimana vektor x hanya terdiri dari 4 elemen,
yaitu x(1, 1),x(2, 1),x(3, 1) dan x(4, 1)
1 clear all
2 clc
3 x(1,1)=3;
4 x(2,1)=-2;
5 x(3,1)=8;
6 x(4,1)=5;
7 x %menampilkan vektor x
8 %=========menghitung norm2=============
9 s=0;
10 for i=1:4
11 s=s+x(i,1)^2;
12 end
13 norm2=sqrt(s) %menampilkan hasil norm2
14 %======================================
Mohon diperhatikan untuk mengganti angka 4 pada statemen for i=1:4 dengan angka yang
lain disesuaikan dengan jumlah elemen vektor yang mau dihitung norm2-nya.
5.3. ITERASI JACOBI 73
5.2.2 Perhitungan norm-selisih
Misalnya kita punya vektor bernama xlama. Lalu ada vektor lainnya bernama xbaru. Norm
selisih dari xlama dan xbaru dapat dihitung dengan bantuan script berikut ini
1 clear all
2 clc
3 xlama(1,1)=3;
4 xlama(2,1)=-2;
5 xlama(3,1)=8;
6 xlama(4,1)=5;
7 xlama %menampilkan elemen vektor xlama
8
9 xbaru(1,1)=9;
10 xbaru(2,1)=4;
11 xbaru(3,1)=6;
12 xbaru(4,1)=1;
13 xbaru %menampilkan elemen vektor xbaru
14
15 n=4; %jumlah elemen vektor
16
17 %--------menghitung norm2 selisih -------------
18 s=0;
19 for i=1:n
20 s=s+(xbaru(i,1)-xlama(i,1))^2;
21 end
22 norm2=sqrt(s)
23 %----------------------------------------------
Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.
Jadi tolong diingat baik-baik!!
5.3 Iterasi Jacobi
Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyele-
saikan sistem persamaan linear. Perbedaan metode iterasi dengan metode-metode yang telah
dijelaskan sebelumnya, adalah ia dimulai dari penentuan nilai awal (initial value) untuk setiap
elemen vektor x. Kemudian berdasarkan nilai awal tersebut, dilakukan langkah perhitungan
untuk mendapatkan elemen-elemen vektor x yang baru.
x
(baru)
= Tx
(lama)
+ c (5.5)
atau
x
k
= Tx
k−1
+ c (5.6)
dimana k = 1, 2, 3, ..., n.
untuk lebih jelasnya, silakan perhatikan baik-baik contoh berikut ini. Diketahui sistem per-
74 BAB 5. METODE ITERASI
samaan linear berikut ini
10x
1
−x
2
+ 2x
3
= 6
−x
1
+ 11x
2
−x
3
+ 3x
4
= 25
2x
1
−x
2
+ 10x
3
−x
4
= −11
3x
2
−x
3
+ 8x
4
= 15
yang mana solusinya adalah x=(1; 2; −1; 1)
t
. Silakan simpan dulu solusi ini, anggap saja kita
belum tahu. Lalu perhatikan baik-baik bagaimana metode iterasi Jacobi bisa menemukan so-
lusi tersebut dengan caranya yang khas.
Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah dengan
mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini
x
1
=
1
10
x
2

2
10
x
3
+
6
10
x
2
=
1
11
x
1
+
1
11
x
3

3
11
x
4
+
25
11
x
3
= −
2
10
x
1
+
1
10
x
2
+
1
10
x
4

11
10
x
4
= −
3
8
x
2
+
1
8
x
3
+
15
8
Kita bisa menyatakan bahwa nilai x
1
, x
2
, x
3
dan x
4
yang berada di ruas kiri tanda = (baca: sama
dengan) sebagai x
(baru)
. Sementara nilai x
1
, x
2
, x
3
dan x
4
yang berada di ruas kanan tanda =
(baca: sama dengan) sebagai x
(lama)
. Sehingga sistem persamaan tersebut ditulis seperti ini
x
(baru)
1
=
1
10
x
(lama)
2

2
10
x
(lama)
3
+
6
10
x
(baru)
2
=
1
11
x
(lama)
1
+
1
11
x
(lama)
3

3
11
x
(lama)
4
+
25
11
x
(baru)
3
= −
2
10
x
(lama)
1
+
1
10
x
2
+
1
10
x
(lama)
4

11
10
x
(baru)
4
= −
3
8
x
(lama)
2
+
1
8
x
(lama)
3
+
15
8
yang secara umum dapat diformulasikan sebagaimana persamaan (5.5)

x
(baru)
1
x
(baru)
2
x
(baru)
3
x
(baru)
4
¸
¸
¸
¸
¸
¸
=

0
1
10

2
10
0
1
11
0
1
11

3
11

2
10
1
10
0
1
10
0 −
3
8
1
8
0
¸
¸
¸
¸
¸
¸

x
(lama)
1
x
(lama)
2
x
(lama)
3
x
(lama)
4
¸
¸
¸
¸
¸
¸
+

6
10
25
11

11
10
15
8
¸
¸
¸
¸
¸
¸
(5.7)
5.3. ITERASI JACOBI 75
Atau dapat pula ditulis seperti ini
x
(k)
1
=
1
10
x
(k−1)
2

2
10
x
(k−1)
3
+
6
10
x
(k)
2
=
1
11
x
(k−1)
1
+
1
11
x
(k−1)
3

3
11
x
(k−1)
4
+
25
11
x
(k)
3
= −
2
10
x
(k−1)
1
+
1
10
x
(k−1)
2
+
1
10
x
(k−1)
4

11
10
x
(k)
4
= −
3
8
x
(k−1)
2
+
1
8
x
(k−1)
3
+
15
8
yang secara umum dapat diformulasikan sebagaimana persamaan (5.6)

x
(k)
1
x
(k)
2
x
(k)
3
x
(k)
4
¸
¸
¸
¸
¸
¸
=

0
1
10

2
10
0
1
11
0
1
11

3
11

2
10
1
10
0
1
10
0 −
3
8
1
8
0
¸
¸
¸
¸
¸
¸

x
(k−1)
1
x
(k−1)
2
x
(k−1)
3
x
(k−1)
4
¸
¸
¸
¸
¸
¸
+

6
10
25
11

11
10
15
8
¸
¸
¸
¸
¸
¸
(5.8)
Pada persamaan di atas, indeks k menunjukan jumlah berapa kali perhitungan iterasi telah
dilakukan. Mari kita fokuskan sejenak pada indeks k ini; Pada k = 1, maka penulisan sistem
persamaan linear menjadi seperti ini
x
(1)
1
=
1
10
x
(0)
2

2
10
x
(0)
3
+
6
10
x
(1)
2
=
1
11
x
(0)
1
+
1
11
x
(0)
3

3
11
x
(0)
4
+
25
11
x
(1)
3
= −
2
10
x
(0)
1
+
1
10
x
(0)
2
+
1
10
x
(0)
4

11
10
x
(1)
4
= −
3
8
x
(0)
2
+
1
8
x
(0)
3
+
15
8
Jika kita tentukan nilai-nilai awal x
(0)
sebagai berikut x
(0)
1
= 0, x
(0)
2
= 0, x
(0)
3
= 0 dan x
(0)
4
= 0.
Atau dinyatakan seperti ini x
(0)
= (0; 0; 0; 0)
t
. Maka kita akan memperoleh nilai-nilai x
(1)
, yaitu
hasil iterasi pertama, sebagai berikut
x
(1)
1
=
6
10
x
(1)
2
=
25
11
x
(1)
3
= −
11
10
x
(1)
4
=
15
8
atau x
(1)
= (0, 6000; 2, 2727; −1, 1000; 1, 8750)
t
. Setelah memperoleh nilai-nilai x
(1)
, perhitun-
gan tersebut diulang kembali guna mendapatkan hasil iterasi kedua, dimana nilai k = 2.
Caranya adalah dengan memasukan nilai-nilai x
(1)
= (0, 6000; 2, 2727; −1, 1000; 1, 8750)
t
ke
76 BAB 5. METODE ITERASI
ruas kanan tanda sama-dengan,
x
(2)
1
=
1
10
x
(1)
2

2
10
x
(1)
3
+
6
10
x
(2)
2
=
1
11
x
(1)
1
+
1
11
x
(1)
3

3
11
x
(1)
4
+
25
11
x
(2)
3
= −
2
10
x
(1)
1
+
1
10
x
(1)
2
+
1
10
x
(1)
4

11
10
x
(2)
4
= −
3
8
x
(1)
2
+
1
8
x
(1)
3
+
15
8
maka nilai-nilai x
(2)
yang kita dapat adalah x
(2)
= (1, 0473; 1, 7159; −0, 8052; 0, 8852)
t
. Sete-
lah diperoleh nilai-nilai x
(2)
, perhitungan tersebut diulangi kembali guna mendapatkan hasil
iterasi ketiga, dimana nilai k = 3. Caranya adalah dengan memasukan nilai-nilai x
(2)
=
(1, 0473; 1, 7159; −0, 8052; 0, 8852)
t
ke ruas kanan kembali,
x
(3)
1
=
1
10
x
(2)
2

2
10
x
(2)
3
+
6
10
x
(3)
2
=
1
11
x
(2)
1
+
1
11
x
(2)
3

3
11
x
(2)
4
+
25
11
x
(3)
3
= −
2
10
x
(2)
1
+
1
10
x
(2)
2
+
1
10
x
(2)
4

11
10
x
(3)
4
= −
3
8
x
(2)
2
+
1
8
x
(2)
3
+
15
8
maka kita akan memperoleh nilai-nilai x
(3)
= (0, 9326; 2, 0530; −1, 0493; 1, 1309)
t
. Lalu proses
perhitungan diulangi lagi dengan k = 4. Begitulah seterusnya. Proses ini diulangi lagi berkali-
kali untuk nilai-nilai k berikutnya. Proses yang berulang ini disebut proses iterasi. Sampai
dengan x
(3)
di atas, kita sudah melakukan tiga kali proses iterasi. Lantas sampai kapan proses
iterasi ini terus berlanjut? Jawabnya adalah sampai x
(baru)
mendekati solusi yang sesungguh-
nya, yaitu
x = (1; 2; −1; 1)
t
Dengan kata lain, proses iterasi harus dihentikan bila x
(baru)
sudah mendekati solusi. Lalu
kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan
solusi yang sebenarnya? OK, simpan dulu pertanyaan ini, sebagai gantinya marilah kita pela-
jari script Matlab untuk metode iterasi Jacobi.
5.3.1 Script Matlab metode iterasi Jacobi
Sebagai upaya pembelajaran, sengaja saya mulai dengan menampilkan script yang paling kasar
terlebih dahulu, lalu selangkah demi selangkah dimodifikasi hingga menjadi script efektif.
Pertama-tama kita buat script seperti ini
1 clear all
2 clc
3 %----nilai awal-----------
4 xlama(1,1)=0;
5 xlama(2,1)=0;
5.3. ITERASI JACOBI 77
6 xlama(3,1)=0;
7 xlama(4,1)=0;
8 xlama
9
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
15 xbaru
xbaru yang didapat tak lain adalah hasil iterasi pertama, yaitu x
(1)
= (0, 6000; 2, 2727; −1, 1000;
1, 8750)
t
. Kemudian, untuk iterasi ke-2, script di atas dimodifikasi menjadi seperti ini
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
15 xbaru
16
17 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
18
19 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
20 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
21 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
22 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
23 xbaru
Sampai disini, xbaru yang didapat adalah hasil iterasi ke-2, yaitu x
(2)
= (1, 0473; 1, 7159;
−0, 8052; 0, 8852)
t
. Kemudian, untuk iterasi ke-3, script di atas dimodifikasi menjadi seperti ini
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 %------nilai baru-------------
11 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
12 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
13 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
14 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
15 xbaru
78 BAB 5. METODE ITERASI
16
17 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
18
19 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
20 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
21 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
22 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
23 xbaru
24
25 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
26
27 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
28 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
29 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
30 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
31 xbaru
Sampai disini, xbaru yang didapat adalah hasil iterasi ke-3, yaitu x
(3)
= (0, 9326; 2, 0530;
−1, 0493; 1, 1309)
t
. Kemudian, untuk iterasi ke-4, script di atas dimodifikasi dengan cara yang
sama. Tapi konsekuensinya script tersebut akan tidak efektif karena akan bertambah panjang.
Guna menghindari hal itu, script di atas perlu dioptimasi dengan pasangan for-end sebagai
berikut
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 for i=1:4
12 %------nilai update-------------
13 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
14 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
15 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
16 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
17 xbaru
18
19 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
20 end
Angka 4 pada statemen for i=1:4 dapat diganti sesuai dengan jumlah iterasi maksimal yang
kita kehendaki. Karena itu, perlu disisipkan variabel baru yang saya kasih nama itermaks,
singkatan dari iterasi maksimum. Lalu statemen for i=1:4 saya ganti menjadi for i=1:itermaks
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
5.3. ITERASI JACOBI 79
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 itermaks=4 %jumlah iterasi maksimum
12
13 for i=1:itermaks
14 %------nilai update-------------
15 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
16 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
17 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
18 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
19 xbaru
20
21 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
22 end
Untuk mendapatkan hasil iterasi yang ke-10, silakan nyatakan itermaks=10 pada script di atas.
Hasil dari keseluruhan iterasi dari iterasi ke-1 hingga iterasi ke-10 disajikan pada tabel berikut
Tabel 5.1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10
k 0 1 2 3 4 ... 9 10
x
(k)
1
0,0000 0,6000 1,0473 0,9326 1,0152 ... 0,9997 1,0001
x
(k)
2
0,0000 2,2727 1,7159 2,0530 1,9537 ... 2,0004 1,9998
x
(k)
3
0,0000 -1,1000 -0,8052 -1,0493 -0,9681 ... -1,0004 -0,9998
x
(k)
4
0,0000 1,8852 0,8852 1,1309 0,9739 ... 1,0006 0,9998
Kita bisa saksikan bahwa hasil iterasi ke-1, x
(1)
= (0, 6000; 2, 2727; −1, 1000; 1, 8852) adalah
hasil yang paling tidak mendekati solusi, x = (1; 2; −1; 1)
t
. Coba bandingkan dengan hasil it-
erasi ke-2! Jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi. Kalau terus diurutkan,
maka hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.
5.3.2 Optimasi script Matlab untuk menghitung iterasi
Sekarang mari kita hitung norm-selisih dari masing-masing hasil iterasi secara berurutan. Dim-
ulai dari mencari norm-selisih antara hasil iterasi ke-1 dan ke-2. Lalu dilanjutkan dengan hasil
iterasi ke-2 dan ke-3, begitu seterusnya hingga antara hasil iterasi yang ke-9 dan ke-10. Dalam
prakteknya, kita cukup menambahkan script norm-selisih pada script yang tadi
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10 n=4 %jumlah elemen vektor
80 BAB 5. METODE ITERASI
11 itermaks=10 %jumlah iterasi maksimal
12
13 for i=1:itermaks
14 %------nilai update-------------
15 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
16 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
17 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
18 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
19 xbaru
20
21 %------norm selisih-------------
22 s=0;
23 for i=1:n
24 s=s+(xbaru(i,1)-xlama(i,1))^2;
25 end
26 epsilon=sqrt(s)
27 %-------------------------------
28
29 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
30 end
Tabel dibawah ini memperlihatkan hasil norm-selisih hingga iterasi ke-10. Hasil perhitungan
norm-selisih tersebut, saya beri nama epsilon, ǫ, dimana semakin kecil nilai epsilon, ǫ, menan-
dakan hasil iterasinya semakin dekat dengan solusi. Hasil norm-selisih yang semakin kecil
pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10 adalah hasil yang paling dekat den-
gan solusi yang sebenarnya.
Tabel 5.2: Hasil perhitungan norm-selisih (dengan ℓ
2
) hingga iterasi ke-10
norm ℓ
2

x
(2)
−x
(1)

2

x
(3)
−x
(2)

2

x
(4)
−x
(3)

2
...

x
(10)
−x
(9)

2
ǫ 1,2557 0,4967 0,2189 ... 0,0012
Kembali ke pertanyaan penting yang tadi yaitu kriteria apa yang digunakan sehingga su-
atu hasil iterasi bisa dikatakan paling dekat dengan solusi yang sebenarnya? Jawabnya: ter-
gantung besar kecilnya nilai ǫ. Artinya kalau nilai ǫ ditentukan sebesar 0,2 , maka iterasi akan
berhenti pada iterasi ke-4. Atau kalau nilai ǫ ditentukan sebesar 0,001 , maka proses iterasi akan
berhenti pada iterasi ke-10. Kesimpulannya, semakin kecil nilai ǫ, semakin panjang proses it-
erasinya, namun hasil akhirnya semakin akurat. Jadi nilai ǫ berperan penting untuk menghen-
tikan proses iterasi. Dalam hal ini, ǫ lebih umum dikenal dengan istilah stopping-criteria.
Di bawah ini adalah script iterasi Jacobi setelah mengalami optimasi beberapa kali,
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 n=4 %jumlah elemen vektor
5.3. ITERASI JACOBI 81
12 itermaks=10 %jumlah iterasi maksimal
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)
*
xlama(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)
*
xlama(1,1)+(1/10)
*
xlama(2,1)+(1/10)
*
xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)
*
xlama(2,1)+(1/8)
*
xlama(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
26 s=s+(xbaru(i,1)-xlama(i,1))^2;
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
35 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
36 end
Metode yang baru saja kita bahas ini disebut metode Iterasi Jacobi. Metode ini bertujuan
mencari nilai-nilai pengganti variabel-variabel x dengan perumusan
x
(k)
i
=
¸
n
j=1

−a
ij
x
(k−1)
j

+ b
i
a
ii
(5.9)
dimana i=1,2,3,...,n.
5.3.3 Algoritma
• Langkah 1: Tentukan k=1
• Langkah 2: Ketika (k ≤ N) lakukan Langkah 3-6
– Langkah 3: Untuk i=1,...,n, hitunglah
x
i
=

¸
n
j=1
(a
ij
XO
j
) + b
i
a
ii
– Langkah 4: Jika x −XO < ǫ, maka keluarkan OUTPUT (x
1
, ..., x
n
) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XO
i
= x
i
• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP
82 BAB 5. METODE ITERASI
5.3.4 Program dalam Fortran
1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S
4 INTEGER N,I,J,K,ITMAX
5 WRITE(
*
,
*
) ’==> ITERASI JACOBI UNTUK SISTEM LINEAR <==’
6 WRITE(
*
,
*
)
7 WRITE (
*
,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
8 READ (
*
,
*
) N
9 WRITE (
*
,
*
) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’
10 DO 52 I = 1,N
11 DO 62 J = 1,N
12 WRITE (
*
,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
13 READ (
*
,
*
) A(I,J)
14 62 CONTINUE
15 WRITE (
*
,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
16 READ (
*
,
*
) B(I)
17 WRITE (
*
,
*
)
18 52 CONTINUE
19 WRITE (
*
,’(1X,A)’) ’JUMLAH ITERASI MAKSIMUM ? ’
20 READ (
*
,
*
) ITMAX
21 WRITE (
*
,’(1X,A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’
22 READ (
*
,
*
) EPS
23 WRITE (
*
,
*
) ’MASUKAN NILAI AWAL UNTUK XO’
24 DO 72 I = 1,N
25 WRITE (
*
,’(1X,A,I2,A)’) ’XO(’,I,’) ? ’
26 READ (
*
,
*
) XO(I)
27 72 CONTINUE
28 WRITE (
*
,
*
)
29 C MENAMPILKAN MATRIK A
30 WRITE (
*
,’(1X,A)’) ’MATRIK A:’
31 DO 110 I = 1,N
32 WRITE (
*
,6) (A(I,J),J=1,N)
33 110 CONTINUE
34 WRITE (
*
,
*
)
35 C MENAMPILKAN VEKTOR B
36 WRITE (
*
,’(1X,A)’) ’VEKTOR B:’
37 DO 111 I = 1,N
38 WRITE (
*
,6) B(I)
39 111 CONTINUE
40 WRITE (
*
,
*
)
41 C LANGKAH 1
42 K = 1
43 C LANGKAH 2
44 100 IF(K.GT.ITMAX) GOTO 200
45 C LANGKAH 3
46 NORM = 0.0
47 DO 10 I = 1,N
48 S = 0.0
49 DO 20 J=1,N
50 S = S-A(I,J)
*
XO(J)
51 20 CONTINUE
52 S = (S+B(I))/A(I,I)
53 IF (ABS(S).GT.NORM) NORM=ABS(S)
54 X(I) = XO(I)+S
55 10 CONTINUE
56 WRITE(
*
,’(1X,A,I3)’) ’ITERASI KE-’, K
5.4. ITERASI GAUSS-SEIDEL 83
57 WRITE(
*
,’(1X,A,F14.8)’) ’NORM = ’, NORM
58 WRITE(
*
,’(1X,A,I3,A,F14.8)’) (’X(’,I,’) = ’, X(I),I=1,N)
59 WRITE(
*
,
*
)
60 C LANGKAH 4
61 IF(NORM.LE.EPS) THEN
62 WRITE(
*
,7) K,NORM
63 GOTO 400
64 END IF
65 C LANGKAH 5
66 K = K+1
67 C LANGKAH 6
68 DO 30 I=1,N
69 XO(I) = X(I)
70 30 CONTINUE
71 GOTO 100
72 C LANGKAH 7
73 200 CONTINUE
74 WRITE(
*
,9)
75 400 STOP
76
77 5 FORMAT(1X,I3)
78 6 FORMAT(1X,(6(1X,F14.8)))
79 7 FORMAT(1X,’KONVERGEN PADA ITERASI YANG KE- ’,I3,
80
*
’ , NORM= ’,F14.8)
81 9 FORMAT(1X,’MELEBIHI BATAS MAKSIMUM ITERASI’)
82 END
5.4 Iterasi Gauss-Seidel
Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi. Perbedaannya hanya
terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada per-
samaan dibawahnya. Untuk lebih jelasnya, perhatikan sistem persamaan linear berikut, yang
diturunkan dari contoh terdahulu
x
baru
1
=
1
10
x
lama
2

2
10
x
lama
3
+
6
10
x
baru
2
=
1
11
x
baru
1
+
1
11
x
lama
3

3
11
x
lama
4
+
25
11
x
baru
3
= −
2
10
x
baru
1
+
1
10
x
baru
2
+
1
10
x
lama
4

11
10
x
baru
4
= −
3
8
x
baru
2
+
1
8
x
baru
3
+
15
8
Pada baris pertama, x
baru
1
dihitung berdasarkan x
lama
2
dan x
lama
3
. Kemudian x
baru
1
tersebut
langsung dipakai pada baris kedua untuk menghitung x
baru
2
. Selanjutnya x
baru
1
dan x
baru
2
di-
gunakan pada baris ketiga untuk mendapatkan x
baru
3
. Begitu seterusnya hingga x
baru
4
pun
diperoleh pada baris keempat. Sistem persamaan tersebut dapat dinyatakan dalam indeks k
84 BAB 5. METODE ITERASI
seperti dibawah ini dimana k adalah jumlah iterasi.
x
(k)
1
=
1
10
x
(k−1)
2

2
10
x
(k−1)
3
+
6
10
x
(k)
2
=
1
11
x
(k)
1
+
1
11
x
(k−1)
3

3
11
x
(k−1)
4
+
25
11
x
(k)
3
= −
2
10
x
(k)
1
+
1
10
x
(k)
2
+
1
10
x
(k−1)
4

11
10
x
(k)
4
= −
3
8
x
(k)
2
+
1
8
x
(k)
3
+
15
8
Misalnya kita tentukan nilai-nilai awal x
(0)
sebagai berikut x
(0)
1
= 0, x
(0)
2
= 0, x
(0)
3
= 0 dan
x
(0)
4
= 0. Atau dinyatakan seperti ini x
(0)
= (0; 0; 0; 0)
t
. Maka pada k = 1 kita akan memperoleh
nilai-nilai x
(1)
sebagai berikut
x
(1)
1
= 0, 6000
x
(1)
2
= 2, 3272
x
(1)
3
= −0, 9873
x
(1)
4
= 0, 8789
Lalu proses perhitungan diulangi lagi dengan k = 2. Begitu seterusnya proses ini diulang-
ulang lagi untuk nilai-nilai k berikutnya sampai x
(k)
mendekati solusi yang sesungguhnya,
yaitu
x = (1; 2; −1; 1)
t
Marilah kita amati hasil seluruh iterasi. Tabel di bawah ini menampilkan hasil perhitungan
hingga iterasi yang ke-5. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi, prob-
lem sistem persamaan linear yang sama, bisa diselesaikan oleh metode iterasi Gauss-Seidel
hanya dalam 5 kali iterasi. Dari kasus ini, bisa kita simpulkan bahwa iterasi Gauss-Seidel bek-
Tabel 5.3: Hasil Iterasi Gauss-Seidel
k 0 1 2 3 4 5
x
(k)
1
0,0000 0,6000 1,030 1,0065 1,0009 1,0001
x
(k)
2
0,0000 2,3272 2,037 2,0036 2,0003 2,0000
x
(k)
3
0,0000 -0,9873 -1,014 -1,0025 -1,0003 -1,0000
x
(k)
4
0,0000 0,8789 0,9844 0,9983 0,9999 1,0000
erja lebih efektif dibandingkan iterasi Jacobi. Ya.., memang secara umumdemikian, akan tetapi
ternyata ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.
5.4.1 Script iterasi Gauss-Seidel
Secara umum, script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan it-
erasi Jacobi. Perbedaan kecil-nya terletak pada bagian nilai update, dimana elemen xbaru hasil
perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.
5.4. ITERASI GAUSS-SEIDEL 85
1 clear all
2 clc
3
4 %----nilai awal-----------
5 xlama(1,1)=0;
6 xlama(2,1)=0;
7 xlama(3,1)=0;
8 xlama(4,1)=0;
9 xlama
10
11 n=4 %jumlah elemen vektor
12 itermaks=10 %jumlah iterasi maksimal
13 sc=0.001 %stopping-criteria
14
15 for i=1:itermaks
16 %------nilai update-------------
17 xbaru(1,1)=(1/10)
*
xlama(2,1)-(2/10)
*
xlama(3,1)+(6/10);
18 xbaru(2,1)=(1/11)
*
xbaru(1,1)+(1/11)
*
xlama(3,1)-(3/11)
*
xlama(4,1)+(25/11);
19 xbaru(3,1)=-(2/10)
*
xbaru(1,1)+(1/10)
*
xbaru(2,1)+(1/10)
*
xlama(4,1)-(11/10);
20 xbaru(4,1)=-(3/8)
*
xbaru(2,1)+(1/8)
*
xbaru(3,1)+(15/8);
21 xbaru
22
23 %------norm selisih-------------
24 s=0;
25 for i=1:n
26 s=s+(xbaru(i,1)-xlama(i,1))^2;
27 end
28 epsilon=sqrt(s)
29
30 %------memeriksa stopping criteria, sc--------
31 if epsilon<sc
32 break
33 end
34
35 xlama=xbaru; %xbaru dijadikan xlama untuk iterasi berikutnya
36 end
Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut:
x
(k)
i
=

¸
i−1
j=1

a
ij
x
(k)
j


¸
n
j=i+1

a
ij
x
(k−1)
j

+ b
i
a
ii
(5.10)
dimana i=1,2,3,...,n.
5.4.2 Algoritma
• Langkah 1: Tentukan k=1
• Langkah 2: Ketika (k ≤ N) lakukan Langkah 3-6
– Langkah 3: Untuk i=1,...,n, hitunglah
x
i
=

¸
i−1
j=1
a
ij
x
j

¸
n
j=i+1
a
ij
XO
j
+ b
i
a
ii
86 BAB 5. METODE ITERASI
– Langkah 4: Jika x −XO < ǫ, maka keluarkan OUTPUT (x
1
, ..., x
n
) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XO
i
= x
i
• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP
5.4.3 Script iterasi Gauss-Seidel dalam Fortran
1 IMPLICIT NONE
2 DIMENSION A(10,10),B(10),X(10),XO(10)
3 REAL A,B,X,XO,EPS,NORM,S1,S2
4 INTEGER N,I,J,K,ITMAX
5 WRITE(
*
,
*
)
6 WRITE(
*
,
*
) ’==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==’
7 WRITE(
*
,
*
)
8 WRITE (
*
,’(1X,A)’) ’JUMLAH PERSAMAAN ? ’
9 READ (
*
,
*
) N
10 WRITE (
*
,
*
) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’
11 DO 52 I = 1,N
12 DO 62 J = 1,N
13 WRITE (
*
,’(1X,A,I2,A,I2,A)’) ’A(’,I,’,’,J,’) = ’
14 READ (
*
,
*
) A(I,J)
15 62 CONTINUE
16 WRITE (
*
,’(1X,A,I2,A)’) ’B(’,I,’) ? ’
17 READ (
*
,
*
) B(I)
18 WRITE (
*
,
*
)
19 52 CONTINUE
20 WRITE (
*
,’(1X,A)’) ’JUMLAH ITERASI MAKSIMUM ? ’
21 READ (
*
,
*
) ITMAX
22 WRITE (
*
,’(1X,A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’
23 READ (
*
,
*
) EPS
24 WRITE (
*
,
*
) ’MASUKAN NILAI AWAL UNTUK XO’
25 DO 72 I = 1,N
26 WRITE (
*
,’(1X,A,I2,A)’) ’XO(’,I,’) ? ’
27 READ (
*
,
*
) XO(I)
28 72 CONTINUE
29 WRITE (
*
,
*
)
30 C MENAMPILKAN MATRIK A
31 WRITE (
*
,’(1X,A)’) ’MATRIK A:’
32 DO 110 I = 1,N
33 WRITE (
*
,6) (A(I,J),J=1,N)
34 110 CONTINUE
35 WRITE (
*
,
*
)
36 C MENAMPILKAN VEKTOR B
37 WRITE (
*
,’(1X,A)’) ’VEKTOR B:’
38 DO 111 I = 1,N
39 WRITE (
*
,6) B(I)
40 111 CONTINUE
41 WRITE (
*
,
*
)
42 C LANGKAH 1
43 K = 1
44 C LANGKAH 2
45 100 IF(K.GT.ITMAX) GOTO 200
46 C LANGKAH 3
47 DO 10 I = 1,N
48 S1 = 0.0
5.5. ITERASI DENGAN RELAKSASI 87
49 DO 20 J=I+1,N
50 S1 = S1-A(I,J)
*
XO(J)
51 20 CONTINUE
52 S2 = 0.0
53 DO 23 J=1,I-1
54 S2 = S2-A(I,J)
*
X(J)
55 23 CONTINUE
56 X(I) = (S2+S1+B(I))/A(I,I)
57 10 CONTINUE
58 C SAYA PILIH NORM-2. ANDA BOLEH PAKAI NORM YANG LAIN!
59 NORM = 0.0
60 DO 40 I=1,N
61 NORM = NORM + (X(I)-XO(I))
*
(X(I)-XO(I))
62 40 CONTINUE
63 NORM = SQRT(NORM)
64 WRITE(
*
,’(1X,A,I3)’) ’ITERASI KE-’, K
65 WRITE(
*
,’(1X,A,F14.8)’) ’NORM-2 = ’, NORM
66 WRITE(
*
,’(1X,A,I3,A,F14.8)’) (’X(’,I,’) = ’, X(I),I=1,N)
67 WRITE(
*
,
*
)
68 C LANGKAH 4
69 IF(NORM.LE.EPS) THEN
70 WRITE(
*
,7) K,NORM
71 GOTO 400
72 END IF
73 C LANGKAH 5
74 K = K+1
75 C LANGKAH 6
76 DO 30 I=1,N
77 XO(I) = X(I)
78 30 CONTINUE
79 GOTO 100
80 C LANGKAH 7
81 200 CONTINUE
82 WRITE(
*
,9)
83 400 STOP
84
85 5 FORMAT(1X,I3)
86 6 FORMAT(1X,(6(1X,F14.8)))
87 7 FORMAT(1X,’KONVERGEN PADA ITERASI YANG KE- ’,I3,
88
*
’ , NORM= ’,F14.8)
89 9 FORMAT(1X,’MELEBIHI BATAS MAKSIMUM ITERASI’)
90 END
5.5 Iterasi dengan Relaksasi
Metode Iterasi Relaksasi (Relaxation method) dinyatakan dengan rumus berikut:
x
(k)
i
= (1 −ω) x
(k−1)
i
+
ω
a
ii

b
i

i−1
¸
j=1
a
ij
x
(k)
j

n
¸
j=i+1
a
ij
x
(k−1)
j
¸
¸
(5.11)
dimana i=1,2,3,...,n.
Untuk lebih jelasnya, marilah kita perhatikan contoh berikut, diketahui sistem persamaan
88 BAB 5. METODE ITERASI
linear Ax = b yaitu
4x
1
+ 3x
2
+ = 24
3x
1
+ 4x
2
−x
3
= 30
−x
2
+ 4x
3
= −24
memiliki solusi (3, 4, −5)
t
. Metode Gauss-Seidel dan Relaksasi dengan ω = 1, 25 akan digu-
nakan untuk menyelesaikan sistem persamaan linear di atas dengan x
(0)
= (1, 1, 1)
t
. Untuk
setiap nilai k = 1, 2, 3, ..., persamaan Gauss-Seidelnya adalah
x
(k)
1
= −0, 75x
(k−1)
2
+ 6
x
(k)
2
= −0, 75x
(k)
1
+ 0, 25x
(k−1)
3
+ 7, 5
x
(k)
3
= 0, 25x
(k)
2
−6
Sedangkan persamaan untuk metode Relaksasi dengan ω = 1, 25 adalah
x
(k)
1
= −0, 25x
(k−1)
1
−0, 9375x
(k−1)
2
+ 7, 5
x
(k)
2
= −0, 9375x
(k)
1
−0, 25x
(k−1)
2
+ 0, 3125x
(k−1)
3
+ 9, 375
x
(k)
3
= 0, 3125x
(k)
2
−0, 25x
(k−1)
3
−7, 5
Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.
Tabel 5.4: Hasil perhitungan iterasi Gauss-Seidel
k 0 1 2 3 4 5 6 7
x
(k)
1
1 5,2500 3,1406 3,0879 3,0549 3,0343 3,0215 3,0134
x
(k)
2
1 3,8125 3,8828 3,9267 3,9542 3,9714 3,9821 3,9888
x
(k)
3
1 -5,0468 -5,0293 -5,0183 -5,0114 -5,0072 -5,0044 -5,0028
Tabel 5.5: Hasil perhitungan iterasi Relaksasi dengan ω = 1, 25
k 0 1 2 3 4 5 6 7
x
(k)
1
1 6,3125 2,6223 3,1333 2,9570 3,0037 2,9963 3,0000
x
(k)
2
1 3,5195 3,9585 4,0102 4,0075 4,0029 4,0009 4,0002
x
(k)
3
1 -6,6501 -4,6004 -5,0967 -4,9735 -5,0057 -4,9983 -5,0003
Dari kasus ini, bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang
lebih singkat dibandingkan iterasi Gauss-Seidel. Jadi, pada kasus ini (dan juga secara umum),
Relaksasi lebih efektif dibandingkan Gauss-Seidel. Pertanyaannya sekarang, bagaimana menen-
tukan nilai ω optimal?
Metode Relaksasi dengan pilihan nilai ω yang berkisar antara 0 dan 1 disebut metode under-
relaxation, dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi
konvergen walaupun sistemtersebut sulit mencapai kondisi konvergen dengan metode Gauss-
5.5. ITERASI DENGAN RELAKSASI 89
Seidel. Sementara bila ω nilainya lebih besar dari angka 1, maka disebut metode successive
over-relaxation (SOR), yang mana metode ini berguna untuk mengakselerasi atau mempercepat
kondisi konvergen dibandingkan dengan Gauss-Seidel. Metode SOR ini juga sangat berguna
untuk menyelesaikan sistempersamaan linear yang muncul dari persamaan diferensial-parsial
tertentu.
5.5.1 Algoritma Iterasi Relaksasi
• Langkah 1: Tentukan k=1
• Langkah 2: Ketika (k ≤ N) lakukan Langkah 3-6
– Langkah 3: Untuk i=1,...,n, hitunglah
x
i
= (1 −ω) XO
i
+
ω


¸
i−1
j=1
a
ij
x
j

¸
n
j=i+1
a
ij
XO
j
+ b
i

a
ii
– Langkah 4: Jika x −XO < ǫ, maka keluarkan OUTPUT (x
1
, ..., x
n
) lalu STOP
– Langkah 5: Tentukan k=k+1
– Langkah 6: Untuk i=1,...n, tentukan XO
i
= x
i
• Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP
Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan prob-
lem sistem persamaan linear. Saya cukupkan sementara sampai disini. Insya Allah akan saya
sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui
email: supri92@gmail.com.
Bab 6
Interpolasi
Objektif :
⊲ Mengenalkan Interpolasi Lagrange
⊲ Mengenalkan Interpolasi Spline-cubic
6.1 Interpolasi Lagrange
Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P(x) berderajat ter-
tentu yang melewati sejumlah titik data. Misalnya, kita ingin mendapatkan fungsi polinomial
berderajat satu yang melewati dua buah titik yaitu (x
0
, y
0
) dan (x
1
, y
1
). Langkah pertama yang
kita lakukan adalah mendefinisikan fungsi berikut
L
0
(x) =
x −x
1
x
0
−x
1
dan
L
1
(x) =
x −x
0
x
1
−x
0
kemudian kita definisikan fungsi polinomial sebagai berikut
P(x) = L
0
(x)y
0
+ L
1
(x)y
1
Jika semua persamaan diatas kita gabungkan, maka akan didapat
P(x) = L
0
(x)y
0
+ L
1
(x)y
1
P(x) =
x −x
1
x
0
−x
1
y
0
+
x −x
0
x
1
−x
0
y
1
dan ketika x = x
0
P(x
0
) =
x
0
−x
1
x
0
−x
1
y
0
+
x
0
−x
0
x
1
−x
0
y
1
= y
0
91
92 BAB 6. INTERPOLASI
dan pada saat x = x
1
P(x
1
) =
x
1
−x
1
x
0
−x
1
y
0
+
x
1
−x
0
x
1
−x
0
y
1
= y
1
dari contoh ini, kira-kira apa kesimpulan sementara anda? Ya.. kita bisa sepakat bahwa fungsi
polinomial
P(x) =
x −x
1
x
0
−x
1
y
0
+
x −x
0
x
1
−x
0
y
1
(6.1)
benar-benar melewati titik (x
0
, y
0
) dan (x
1
, y
1
).
Sekarang mari kita perhatikan lagi contoh lainnya. Misalnya ada tiga titik yaitu (x
0
, y
0
), (x
1
, y
1
)
dan (x
2
, y
2
). Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama
kita bisa awali langkah pertama yaitu mendefinisikan
L
0
(x) =
(x −x
1
)(x −x
2
)
(x
0
−x
1
)(x
0
−x
2
)
lalu
L
1
(x) =
(x −x
0
)(x −x
2
)
(x
1
−x
0
)(x
1
−x
2
)
dan
L
2
(x) =
(x −x
0
)(x −x
1
)
(x
2
−x
0
)(x
2
−x
1
)
kemudian kita definisikan fungsi polinomial sebagai berikut
P(x) = L
0
(x)y
0
+ L
1
(x)y
1
+ L
2
(x)y
2
Jika semua persamaan diatas kita gabungkan, maka akan didapat fungsi polinomial
P(x) =
(x −x
1
)(x −x
2
)
(x
0
−x
1
)(x
0
−x
2
)
y
0
+
(x −x
0
)(x −x
2
)
(x
1
−x
0
)(x
1
−x
2
)
y
1
+
(x −x
0
)(x −x
1
)
(x
2
−x
0
)(x
2
−x
1
)
y
2
Kita uji sebentar. Ketika x = x
0
P(x
0
) =
(x
0
−x
1
)(x
0
−x
2
)
(x
0
−x
1
)(x
0
−x
2
)
y
0
+
(x
0
−x
0
)(x
0
−x
2
)
(x
1
−x
0
)(x
1
−x
2
)
y
1
+
(x
0
−x
0
)(x
0
−x
1
)
(x
2
−x
0
)(x
2
−x
1
)
y
2
= y
0
pada saat x = x
1
P(x
1
) =
(x
1
−x
1
)(x
1
−x
2
)
(x
0
−x
1
)(x
0
−x
2
)
y
0
+
(x
1
−x
0
)(x
1
−x
2
)
(x
1
−x
0
)(x
1
−x
2
)
y
1
+
(x
1
−x
0
)(x
1
−x
1
)
(x
2
−x
0
)(x
2
−x
1
)
y
2
= y
1
pada saat x = x
2
P(x
2
) =
(x
2
−x
1
)(x
2
−x
2
)
(x
0
−x
1
)(x
0
−x
2
)
y
0
+
(x
2
−x
0
)(x
2
−x
2
)
(x
1
−x
0
)(x
1
−x
2
)
y
1
+
(x
2
−x
0
)(x
2
−x
1
)
(x
2
−x
0
)(x
2
−x
1
)
y
2
= y
2
6.2. INTERPOLASI CUBIC SPLINE 93
Terbukti bahwa fungsi polonomial
P(x) =
(x −x
1
)(x −x
2
)
(x
0
−x
1
)(x
0
−x
2
)
y
0
+
(x −x
0
)(x −x
2
)
(x
1
−x
0
)(x
1
−x
2
)
y
1
+
(x −x
0
)(x −x
1
)
(x
2
−x
0
)(x
2
−x
1
)
y
2
(6.2)
melewati ketiga titik tadi.
Kalau kita bandingkan antara persamaan (6.1) dan persamaan (6.2), terlihat bahwa derajat per-
samaan (6.2) lebih tinggi dibandingkan dengan derajat persamaan (6.1). Hal ini terlihat dari x
2
pada persamaan (6.2) sementara pada persamaan (6.1) hanya ada x. persamaan (6.2) disebut
funsi polinomial berderajat 2, sedangkan persamaan (6.1) disebut fungsi polinomial berderajat
1.
6.2 Interpolasi Cubic Spline
Gambar 6.1: Fungsi f(x) dengan sejumlah titik data
Gambar 6.2: Pendekatan dengan polinomial cubic spline
94 BAB 6. INTERPOLASI
Diketahui suatu fungsi f(x) (Figure 6.1) yang dibatasi oleh interval a dan b, dan memiliki
sejumlah titik data a = x
0
< x
1
< ... < x
n
= b. Interpolasi cubic spline S(x) adalah sebuah po-
tongan fungsi polinomial kecil-kecil (Figure 6.2) berderajat tiga (cubic) yang menghubungkan
dua titik data yang bersebelahan dengan ketentuan sebagai berikut:
1. S
j
(x) adalah potongan fungsi yang berada pada sub-interval dari x
j
hingga x
j+1
untuk
nilai j = 0, 1, ..., n −1;
2. S(x
j
) = f(x
j
), artinya pada setiap titik data (x
j
), nilai f(x
j
) bersesuaian dengan S(x
j
)
dimana j = 0, 1, ..., n;
3. S
j+1
(x
j+1
) = S
j
(x
j+1
). Perhatikan titik x
j+1
pada Figure 6.2. Ya.. tentu saja jika fungsi
itu kontinyu, maka titik x
j+1
menjadi titik sambungan antara S
j
dan S
j+1
.
4. S

j+1
(x
j+1
) = S

j
(x
j+1
), artinya kontinyuitas menuntut turunan pertama dari S
j
dan S
j+1
pada titik x
j+1
harus bersesuaian.
5. S
′′
j+1
(x
j+1
) = S
′′
j
(x
j+1
), artinya kontinyuitas menuntut turunan kedua dari S
j
dan S
j+1
pada titik x
j+1
harus bersesuaian juga.
6. Salah satu syarat batas diantara 2 syarat batas x
0
dan x
n
berikut ini mesti terpenuhi:
• S
′′
(x
0
) = S
′′
(x
n
) = 0 ini disebut natural boundary
• S

(x
0
) = f

(x
0
) dan S

(x
n
) = f

(x
n
) ini disebut clamped boundary
Polinomial cubic spline S (polinomial pangkat 3) untuk suatu fungsi f berdasarkan ketentuan
di atas adalah
S
j
(x) = a
j
+ b
j
(x −x
j
) + c
j
(x −x
j
)
2
+ d
j
(x −x
j
)
3
(6.3)
dimana j = 0, 1, ..., n −1. Maka ketika x = x
j
S
j
(x
j
) = a
j
+ b
j
(x
j
−x
j
) + c
j
(x
j
−x
j
)
2
+ d
j
(x
j
−x
j
)
3
S
j
(x
j
) = a
j
= f(x
j
)
Itu artinya, a
j
selalu jadi pasangan titik data dari x
j
. Dengan pola ini maka pasangan titik data
x
j+1
adalah a
j+1
, konsekuensinya S(x
j+1
) = a
j+1
. Berdasarkan ketentuan (3), yaitu ketika
x = x
j+1
dimasukan ke persamaan (11.7)
a
j+1
= S
j+1
(x
j+1
) = S
j
(x
j+1
) = a
j
+ b
j
(x
j+1
−x
j
) + c
j
(x
j+1
−x
j
)
2
+ d
j
(x
j+1
−x
j
)
3
dimana j = 0, 1, ..., n −2. Sekarang, kita nyatakan h
j
= x
j+1
−x
j
, sehingga
a
j+1
= a
j
+ b
j
h
j
+ c
j
h
2
j
+ d
j
h
3
j
(6.4)
Kemudian, turunan pertama dari persamaan (11.7) adalah
S

j
(x) = b
j
+ 2c
j
(x −x
j
) + 3d
j
(x −x
j
)
2
6.2. INTERPOLASI CUBIC SPLINE 95
ketika x = x
j
,
S

j
(x
j
) = b
j
+ 2c
j
(x
j
−x
j
) + 3d
j
(x
j
−x
j
)
2
= b
j
dan ketika x = x
j+1
,
b
j+1
= S

j
(x
j+1
) = b
j
+ 2c
j
(x
j+1
−x
j
) + 3d
j
(x
j+1
−x
j
)
2
Ini dapat dinyatakan sebagai
b
j+1
= b
j
+ 2c
j
(x
j+1
−x
j
) + 3d
j
(x
j+1
−x
j
)
2
dan dinyatakan dalam h
j
b
j+1
= b
j
+ 2c
j
h
j
+ 3d
j
h
2
j
(6.5)
Berikutnya, kita hitung turunan kedua dari persamaan (11.7)
S
′′
j
(x) = 2c
j
+ 6d
j
(x −x
j
) (6.6)
tapi dengan ketentuan tambahan yaitu S
′′
(x)/2, sehingga persamaan ini dimodifikasi menjadi
S
′′
j
(x) = c
j
+ 3d
j
(x −x
j
)
dengan cara yang sama, ketika x = x
j
S
′′
j
(x
j
) = c
j
+ 3d
j
(x
j
−x
j
) = c
j
dan ketika x = x
j+1
c
j+1
= S
′′
j
(x
j+1
) = c
j
+ 3d
j
(x
j+1
−x
j
)
c
j+1
= c
j
+ 3d
j
h
j
(6.7)
dan d
j
bisa dinyatakan
d
j
=
1
3h
j
(c
j+1
−c
j
)
dari sini, persamaan (6.4) dapat ditulis kembali
a
j+1
= a
j
+ b
j
h
j
+ c
j
h
2
j
+ d
j
h
3
j
= a
j
+ b
j
h
j
+ c
j
h
2
j
+
h
2
j
3
(c
j+1
−c
j
)
= a
j
+ b
j
h
j
+
h
2
j
3
(2c
j
+ c
j+1
) (6.8)
96 BAB 6. INTERPOLASI
sementara persamaan (6.5) menjadi
b
j+1
= b
j
+ 2c
j
h
j
+ 3d
j
h
2
j
= b
j
+ 2c
j
h
j
+ h
j
(c
j+1
−c
j
)
= b
j
+ h
j
(c
j
+ c
j+1
) (6.9)
Sampai sini masih bisa diikuti, bukan? Selanjutnya, kita coba mendapatkan b
j
dari persamaan
(6.8)
b
j
=
1
h
j
(a
j+1
−a
j
) −
h
j
3
(2c
j
+ c
j+1
) (6.10)
dan untuk b
j−1
b
j−1
=
1
h
j−1
(a
j
−a
j−1
) −
h
j−1
3
(2c
j−1
+ c
j
) (6.11)
Langkah berikutnya adalah mensubtitusikan persamaan (6.10) dan persamaan (6.11) kedalam
persamaan (6.9),
h
j−1
c
j−1
+ 2(h
j−1
+ h
j
)c
j
+ h
j
c
j+1
=
3
h
j
(a
j+1
−a
j
) −
3
h
j−1
(a
j
−a
j−1
) (6.12)
dimana j = 1, 2, ..., n − 1. Dalam sistem persamaan ini, nilai {h
j
}
n−1
j=0
dan nilai {a
j
}
n
j=0
su-
dah diketahui, sementara nilai {c
j
}
n
j=0
belum diketahui dan memang nilai inilah yang akan
dihitung dari persamaan ini.
Sekarang coba perhatikan ketentuan nomor (6), ketika S
′′
(x
0
) = S
′′
(x
n
) = 0, berapakah nilai c
0
dan c
n
? Nah, kita bisa evaluasi persamaan (6.6)
S
′′
(x
0
) = 2c
0
+ 6d
0
(x
0
−x
0
) = 0
jelas sekali c
0
harus berharga nol. Demikian halnya dengan c
n
harganya harus nol. Jadi untuk
natural boundary, nilai c
0
= c
n
= 0.
Persamaan (6.12) dapat dihitung dengan operasi matrik Ax = b dimana
A =

1 0 0 . . . . . . . . . 0
h
0
2(h
0
+ h
1
) h
1
0 . . . . . . 0
0 h
1
2(h
1
+ h
2
) h
2
0 . . . 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . h
n−2
2(h
n−2
+ h
n−1
) h
n−1
0 . . . . . . . . . 0 0 1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
x =

c
0
c
1
.
.
.
c
n
¸
¸
¸
¸
¸
¸
6.2. INTERPOLASI CUBIC SPLINE 97
b =

0
3
h
1
(a
2
−a
1
) −
3
h
0
(a
1
−a
0
)
.
.
.
3
h
n−1
(a
n
−a
n−1
) −
3
h
n−2
(a
n−1
−a
n−2
)
0
¸
¸
¸
¸
¸
¸
¸
¸
¸
Sekarang kita beralih ke clamped boundary dimana S

(a) = f

(a) dan S

(b) = f

(b). Nah, kita
bisa evaluasi persamaan (6.10) dengan j = 0, dimana f

(a) = S

(a) = S

(x
0
) = b
0
, sehingga
f

(a) =
1
h
0
(a
1
−a
0
) −
h
0
3
(2c
0
+ c
1
)
konsekuensinya,
2h
0
c
0
+ h
0
c
1
=
3
h
0
(a
1
−a
0
) −3f

(a) (6.13)
Sementara pada x
n
= b
n
dengan persamaan (6.9)
f

(b) = b
n
= b
n−1
+ h
n−1
(c
n−1
+ c
n
)
sedangkan b
n−1
bisa didapat dari persamaan (6.11) dengan j = n −1
b
n−1
=
1
h
n−1
(a
n
−a
n−1
) −
h
n−1
3
(2c
n−1
j + c
n
)
Jadi
f

(b) =
1
h
n−1
(a
n
−a
n−1
) −
h
n−1
3
(2c
n−1
j + c
n
) + h
n−1
(c
n−1
+ c
n
)
=
1
h
n−1
(a
n
−a
n−1
+
h
n−1
3
(c
n−1
j + 2c
n
)
dan akhirnya kita peroleh
h
n−1
c
n−1
+ 2h
n−1
C
n
= 3f

(b) −
3
h
n−1
(a
n
−a
n−1
) (6.14)
Persamaan (6.13) dan persamaan (6.14) ditambah persamaan (6.12 membentuk operasi matrik
Ax = b dimana
A =

2h
0
h
0
0 . . . . . . . . . 0
h
0
2(h
0
+ h
1
) h
1
0 . . . . . . 0
0 h
1
2(h
1
+ h
2
) h
2
0 . . . 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . h
n−2
2(h
n−2
+ h
n−1
) h
n−1
0 . . . . . . . . . 0 h
n−1
2h
n−1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
98 BAB 6. INTERPOLASI
Gambar 6.3: Profil suatu object
x =

c
0
c
1
.
.
.
c
n
¸
¸
¸
¸
¸
¸
b =

3
h
0
(a
1
−a
0
) −3f

(a)
3
h
1
(a
2
−a
1
) −
3
h
0
(a
1
−a
0
)
.
.
.
3
h
n−1
(a
n
−a
n−1
) −
3
h
n−2
(a
n−1
−a
n−2
)
3f

(b) −
3
h
n−1
(a
n
−a
n−1
)
¸
¸
¸
¸
¸
¸
¸
¸
¸
6.2. INTERPOLASI CUBIC SPLINE 99
Gambar 6.4: Sampling titik data
Gambar 6.5: Hasil interpolasi cubic spline
j x
j
a
j
b
j
c
j
d
j
0 0,9 1,3 5,4 0,00 -0,25
1 1,3 1,5 0,42 -0,30 0,95
2 1,9 1,85 1,09 1,41 -2,96
3 2,1 2,1 1,29 -0,37 -0,45
4 2,6 2,6 0,59 -1,04 0,45
5 3,0 2,7 -0,02 -0,50 0,17
6 3,9 2,4 -0,5 -0,03 0,08
7 4,4 2,15 -0,48 0,08 1,31
8 4,7 2,05 -0,07 1,27 -1,58
9 5,0 2,1 0,26 -0,16 0,04
10 6,0 2,25 0,08 -0,03 0,00
11 7,0 2,3 0,01 -0,04 -0,02
12 8,0 2,25 -0,14 -0,11 0,02
13 9,2 1,95 -0,34 -0,05 -0,01
14 10,5 1,4 -0,53 -0,1 -0,02
15 11,3 0,9 -0,73 -0,15 1,21
16 11,6 0,7 -0,49 0,94 -0,84
17 12,0 0,6 -0,14 -0,06 0,04
18 12,6 0,5 -0,18 0 -0,45
19 13,0 0,4 -0,39 -0,54 0,60
20 13,3 0,25
Gambar 6.6: Hasil interpolasi lagrange
Bab 7
Diferensial Numerik
Objektif :
⊲ Mengenalkan metode Euler
⊲ Mengenalkan metode Runge Kutta orde 4
⊲ Mengenalkan metode Finite Difference
⊲ Mengenalkan Persamaan Diferensial Parsial Eliptik
⊲ Mengenalkan Persamaan Diferensial Parsial Hiperbolik
⊲ Mengenalkan Persamaan Diferensial Parsial Parabolik
7.1 Metode Euler
Suatu persamaan diferensial (
dy
dt
) dinyatakan dalam fungsi f(t, y), dimana y(t) adalah per-
samaan asalnya
dy
dt
= f(t, y), a ≤ t ≤ b, y(a) = α (7.1)
Nilai t dibatasi dari a hingga ke b. Sementara, syarat awal telah diketahui yaitu pada saat
t = a maka y bernilai α. Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan
asalnya y(t). Gambar 7.1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui ben-
tuk formulasinya. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan
diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ?
Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam
jarak yang sama di dalam interval [a,b]. Jarak antar point dirumuskan sebagai
h =
b −a
N
(7.2)
dengan N adalah bilangan integer positif. Nilai h ini juga dikenal dengan nama step size.
Selanjutnya nilai t diantara a dan b ditentukan berdasarkan
t
i
= a + ih, i = 0, 1, 2, ..., N (7.3)
101
102 BAB 7. DIFERENSIAL NUMERIK
t
0
=a t
1
t
2
.....
h
t
N
=b t
y(t )= b
N
y( )
y(t )
1
y(t )
2
y(t )=
0
a
y(a)=a
y’=f(t,y)
y
y(t)
t
0
=a t
1
t
2
.....
h
t
N
=b t
a
y(a)=a
y’=f(t,y)
y
w
1
y’(a)=f(a, ) a
y(t)
Gambar 7.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebe-
sar h. Pasangan t
1
adalah y(t
1
), pasangan t
2
adalah y(t
2
), begitu seterusnya. Kanan: Garis singgung
yang menyinggung kurva y(t) pada t=a, kemudian berdasarkan garis singgung tersebut, ditentukan
pasangan t
1
sebagai w
1
. Perhatikan gambar itu sekali lagi! w
1
dan y(t
1
) beda tipis alias tidak sama
persis.
Metode Euler diturunkan dari deret Taylor. Misalnya, fungsi y(t) adalah fungsi yang kon-
tinyu dan memiliki turunan dalam interval [a,b]. Dalam deret Taylor, fungsi y(t) tersebut diru-
muskan sebagai
y(t
i+1
) = y(t
i
) + (t
i+1
−t
i
)y

(t
i
) +
(t
i+1
−t
i
)
2
2
y
′′

i
) (7.4)
dengan memasukkan h = (t
i+1
−t
i
), maka
y(t
i+1
) = y(t
i
) + hy

(t
i
) +
h
2
2
y
′′

i
) (7.5)
dan, karena y(t) memenuhi persamaan diferensial (7.1), dimana y

(t
i
) tak lain adalah fungsi
turunan f(t
i
, y(t
i
)), maka
y(t
i+1
) = y(t
i
) + hf(t
i
, y(t
i
)) +
h
2
2
y
′′

i
) (7.6)
Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.6),
yang memuat turunan kedua, dapat diabaikan. Disamping itu, pada umumnya, notasi penulisan
bagi y(t
i
) diganti dengan w
i
. Sehingga metode Euler diformulasikan sebagai
w
i+1
= w
i
+ hf(t
i
, w
i
) dengan syarat awal w
0
= α (7.7)
dimana i = 0, 1, 2, .., N −1.
Contoh
Diketahui persamaan diferensial
y

= y −t
2
+ 1 batas interval: 0 ≤ t ≤ 2 syarat awal: y(0) = 0, 5 (7.8)
dimana N = 10. Disini terlihat bahwa batas awal interval, a = 0; dan batas akhir b = 2.
7.1. METODE EULER 103
Dalam penerapan metode euler, pertama kali yang harus dilakukan adalah menghitung
step-size (h), caranya
h =
b −a
N
=
2 −0
10
= 0, 2
kemudian dilanjutkan dengan menentukan posisi titik-titik t
i
berdasarkan rumus
t
i
= a + ih = 0 + i(0, 2) sehingga t
i
= 0, 2i
serta menetapkan nilai w
0
yang diambil dari syarat awal y(0) = 0, 5
w
0
= 0, 5
Dengan demikian persamaan euler dapat dinyatakan sebagai
w
i+1
= w
i
+ h(w
i
−t
2
i
+ 1)
= w
i
+ 0, 2(w
i
−0, 04i
2
+ 1)
= 1, 2w
i
−0, 008i
2
+ 0, 2
dimana i = 0, 1, 2, ..., N −1. Karena N = 10, maka i = 0, 1, 2, ..., 9.
Pada saat i = 0 dan dari syarat awal diketahui w
0
= 0, 5, kita bisa menghitung w
1
w
1
= 1, 2w
0
−0, 008(0)
2
+ 0, 2 = 0, 8000000
Pada saat i = 1
w
2
= 1, 2w
1
−0, 008(1)
2
+ 0, 2 = 1, 1520000
Pada saat i = 2
w
3
= 1, 2w
2
−0, 008(2)
2
+ 0, 2 = 1, 5504000
Demikian seterusnya, hingga mencapai i = 9
w
10
= 1, 2w
9
−0, 008(9)
2
+ 0, 2 = 4, 8657845
Berikut ini adalah script matlab untuk menghitung w
1
, w
2
, sampai w
10
1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 t1=a+1
*
h;
104 BAB 7. DIFERENSIAL NUMERIK
15 t2=a+2
*
h;
16 t3=a+3
*
h;
17 t4=a+4
*
h;
18 t5=a+5
*
h;
19 t6=a+6
*
h;
20 t7=a+7
*
h;
21 t8=a+8
*
h;
22 t9=a+9
*
h;
23 t10=a+10
*
h;
24
25 % solusinya:
26 w1=w0+h
*
(w0-t0^2+1)
27 w2=w1+h
*
(w1-t1^2+1)
28 w3=w2+h
*
(w2-t2^2+1)
29 w4=w3+h
*
(w3-t3^2+1)
30 w5=w4+h
*
(w4-t4^2+1)
31 w6=w5+h
*
(w5-t5^2+1)
32 w7=w6+h
*
(w6-t6^2+1)
33 w8=w7+h
*
(w7-t7^2+1)
34 w9=w8+h
*
(w8-t8^2+1)
35 w10=w9+h
*
(w9-t9^2+1)
Atau bisa dipersingkat sebagai berikut
1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i
*
h);
16 end
17
18 % solusinya:
19 w(1)=w0+h
*
(w0-t0^2+1);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h
*
(w(k)-t(k)^2+1);
23 end
24 w
Disisi lain, solusi exact persamaan diferensial (7.8) adalah
y(t) = (t + 1)
2
−0, 5e
t
(7.9)
Script matlab untuk mendapatkan solusi exact ini adalah:
1 clear all
2 clc
7.1. METODE EULER 105
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10
11 % perubahan t sesuai step-size h adalah:
12 for i=1:N
13 t(i)=a+(i
*
h);
14 end
15
16 % solusi exact:
17 for i=1:N
18 y(i)=(t(i)+1)^2-0.5
*
exp(t(i));
19 end
20 y
Tabel 7.1: Solusi yang ditawarkan oleh metode euler w
i
dan solusi exact y(t
i
) serta selisih antara
keduanya
i t
i
w
i
y
i
= y(t
i
) |w
i
−y
i
|
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8000000 0,8292986 0,0292986
2 0,4 1,1520000 1,2140877 0,0620877
3 0,6 1,5504000 1,6489406 0,0985406
4 0,8 1,9884800 2,1272295 0,1387495
5 1,0 2,4581760 2,6408591 0,1826831
6 1,2 2,9498112 3,1799415 0,2301303
7 1,4 3,4517734 3,7324000 0,2806266
8 1,6 3,9501281 4,2834838 0,3333557
9 1,8 4,4281538 4,8151763 0,3870225
10 2,0 4,8657845 5,3054720 0,4396874
Coba anda perhatikan sejenak bagian kolom selisih |w
i
−y
i
|. Terlihat angkanya tumbuh se-
makin besar seiring dengan bertambahnya t
i
. Artinya, ketika t
i
membesar, akurasi metode
euler justru berkurang. Untuk lebih jelasnya, mari kita plot hasil-hasil ini dalam suatu gambar.
Gambar (7.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan
metode euler (w
i
). Sementara solusi exact y(t
i
) diwakili oleh titik-titik biru. Tampak jelas bah-
wa titik-titik biru dan titik-titik merah –pada nilai t yang sama– tidak ada yang berhimpit alias
ada jarak yang memisahkan mereka. Bahkan semakin ke kanan, jarak itu semakin melebar.
Adanya jarak, tak lain menunjukkan keberadaan error (kesalahan). Hasil perhitungan metode
euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang se-
makin membesar ketika menuju ke-N atau ketika t
i
bertambah. Untuk mengatasi hal ini, salah
satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4. Namun sebelum
masuk ke pembahasan tersebut, ada baiknya kita memodifikasi script matlab yang terakhir ta-
di.
Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan
106 BAB 7. DIFERENSIAL NUMERIK
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
t
y
(
t
)
Gambar 7.2: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode euler, yaitu nilai w
i
.
yang terdapat dalam script sebelumnya yaitu,
w(1)=w0+h
*
(w0-t0^2+1);
dan
w(i)=w(k)+h
*
(w(k)-t(k)^2+1);
Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas, bisa jadi
kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut. Oleh karena
itu, lebih baik fungsi turunan tersebut dipindahkan kedalam satu file terpisah. Di lingkungan
matlab, file tersebut disebut file function. Jadi, isi file function untuk contoh yang sedang kita
bahas ini adalah
function y = futur(t,w)
y = w - t^2 + 1;
File function ini mesti di-save dengan nama file yang sama persis dengan nama fungsinya,
dalam contoh ini nama file function tersebut harus bernama futur.m. Kemudian file ini harus
disimpan dalam folder yang sama dimana disana juga terdapat file untuk memproses metode
euler.
Setelah itu, script metode euler dimodifikasi menjadi seperti ini
1 clear all
2 clc
3
7.2. METODE RUNGE KUTTA 107
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i
*
h);
16 end
17
18 % solusinya:
19 w(1)=w0+h
*
futur(t0,w0);
20 for i=2:N
21 k=i-1;
22 w(i)=w(k)+h
*
futur(t(k),w(k));
23 end
24 w
Mulai dari baris ke-13 sampai dengan baris ke-24, tidak perlu diubah-ubah lagi. Artinya, jika
ada perubahan formulasi fungsi turunan, maka itu cukup dilakukan pada file futur.m saja.
Ok. Sekarang mari kita membahas metode Runge Kutta.
7.2 Metode Runge Kutta
Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial, kita telah sam-
pai pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan
bertambahnya iterasi (t
i
). Dikaitkan dengan hal tersebut, metode Runge-Kutta Orde-4 menawarkan
penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih ke-
cil. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 adalah
w
0
= α
k
1
= hf(t
i
, w
i
) (7.10)
k
2
= hf(t
i
+
h
2
, w
i
+
1
2
k
1
) (7.11)
k
3
= hf(t
i
+
h
2
, w
i
+
1
2
k
2
) (7.12)
k
4
= hf(t
i+1
, w
i
+ k
3
) (7.13)
w
i+1
= w
i
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
) (7.14)
dimana fungsi f(t, w) adalah fungsi turunan.
Contoh
Saya ambilkan contoh yang sama seperti contoh yang sudah kita bahas pada metode Euler.
Diketahui persamaan diferensial
y

= y −t
2
+ 1, 0 ≤ t ≤ 2, y(0) = 0, 5
108 BAB 7. DIFERENSIAL NUMERIK
Jika N = 10, maka step-size bisa dihitung terlebih dahulu
h =
b −a
N
=
2 −0
10
= 0, 2
dan
t
i
= a + ih = 0 + i(0, 2) → t
i
= 0, 2i
serta
w
0
= 0, 5
Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. Untuk menghitung w
1
, tahap-
tahap perhitungannya dimulai dari menghitung k
1
k
1
= hf(t
0
, w
0
)
= h(w
0
−t
2
0
+ 1)
= 0, 2((0, 5) −(0, 0)
2
+ 1)
= 0, 3
lalu menghitung k
2
k
2
= hf(t
0
+
h
2
, w
0
+
k
1
2
)
= h[(w
0
+
k
1
2
) −(t
0
+
h
2
)
2
+ 1)]
= 0, 2[(0, 5 +
0, 3
2
) −(0, 0 +
0, 2
2
)
2
+ 1)]
= 0, 328
dilanjutkan dengan k
3
k
3
= hf(t
0
+
h
2
, w
0
+
k
2
2
)
= h[(w
0
+
k
2
2
) −(t
0
+
h
2
)
2
+ 1)]
= 0, 2[(0, 5 +
0, 328
2
) −(0, 0 +
0, 2
2
)
2
+ 1)]
= 0, 3308
kemudian k
4
k
4
= hf(t
1
, w
0
+ k
3
)
= h[(w
0
+ k
3
) −t
2
1
+ 1]
= 0, 2[(0, 5 + 0, 3308) −(0, 2)
2
+ 1]
= 0, 35816
7.2. METODE RUNGE KUTTA 109
akhirnya diperoleh w
1
w
1
= w
0
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
)
= 0, 5 +
1
6
(0, 3 + 2(0, 328) + 2(0, 3308) + 0, 35816)
= 0, 5 +
1
6
(0, 3 + 0, 656 + 0, 6616 + 0, 35816)
= 0, 8292933
Dengan cara yang sama, w
2
, w
3
, w
4
dan seterusnya dapat dihitung dengan program komputer.
Script matlab-nya sebagai berikut
1
:
1 clear all
2 clc
3
4 format long
5
6 b=2; %batas akhir interval
7 a=0; %batas awal interval
8 N=10; % bilangan interger positif
9 h=(b-a)/N; % nilai step-size
10 w0=0.5; % nilai w awal
11 t0=0; % nilai t awal
12
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i
*
h);
16 end
17
18 % solusinya:
19 k1=h
*
futur(t0,w0);
20 k2=h
*
futur(t0+h/2,w0+k1/2);
21 k3=h
*
futur(t0+h/2,w0+k2/2);
22 k4=h
*
futur(t(1),w0+k3);
23 w(1)=w0+1/6
*
(k1+2
*
k2+2
*
k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h
*
futur(t(k),w(k));
28 k2=h
*
futur(t(k)+h/2,w(k)+k1/2);
29 k3=h
*
futur(t(k)+h/2,w(k)+k2/2);
30 k4=h
*
futur(t(i),w(k)+k3);
31 w(i)=w(k)+1/6
*
(k1+2
*
k2+2
*
k3+k4);
32 end
33 w
Dibandingkan dengan metode Euler, tingkat pertumbuhan truncation error, pada kolom|w
i

y
i
| (lihat Tabel 7.2), jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai
untuk membantu menyelesaikan persamaan-diferensial-biasa.
Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge-
Kutta Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi
1
Jangan lupa, file futur.m mesti berada dalam satu folder dengan file Runge Kutta nya!
110 BAB 7. DIFERENSIAL NUMERIK
Tabel 7.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (w
i
) dan solusi exact y(t
i
)
serta selisih antara keduanya
i t
i
w
i
y
i
= y(t
i
) |w
i
−y
i
|
0 0,0 0,5000000 0,5000000 0,0000000
1 0,2 0,8292933 0,8292986 0,0000053
2 0,4 1,2140762 1,2140877 0,0000114
3 0,6 1,6489220 1,6489406 0,0000186
4 0,8 2,1272027 2,1272295 0,0000269
5 1,0 2,6408227 2,6408591 0,0000364
6 1,2 3,1798942 3,1799415 0,0000474
7 1,4 3,7323401 3,7324000 0,0000599
8 1,6 4,2834095 4,2834838 0,0000743
9 1,8 4,8150857 4,8151763 0,0000906
10 2,0 5,3053630 5,3054720 0,0001089
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
t
y
(
t
)
Gambar 7.3: Kurva biru adalah solusi exact, dimana lingkaran-lingkaran kecil warna biru pada kurva
menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.9). Sedangkan
titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4, yaitu nilai w
i
.
yang lebih tinggi. Namun, kalau anda jeli, ada suatu pertanyaan cukup serius yaitu apakah
metode ini dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misal-
nya pada kasus pengisian muatan pada kapasitor berikut ini.
7.2.1 Aplikasi: Pengisian muatan pada kapasitor
Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan
baterry (Gambar 7.4). Diketahui ǫ = 12 volt, C = 5,00 µF dan R = 8,00 ×10
5
Ω. Saat saklar
7.2. METODE RUNGE KUTTA 111
dihubungkan (t=0), muatan belum ada (q=0).
dq
dt
=
ǫ
R

q
RC
(7.15)
Solusi exact persamaan (7.15) adalah
q
exact
= q(t) = Cǫ

1 −e
−t/RC

(7.16)
Anda bisa lihat semua suku di ruas kanan persamaan (7.15) tidak mengandung variabel
Gambar 7.4: Rangkaian RC
t. Padahal persamaan-persamaan turunan pada contoh sebelumnya mengandung variabel t.
Apakah persamaan (7.15) tidak bisa diselesaikan dengan metode Runge-Kutta? Belum tentu.
Sekarang, kita coba selesaikan, pertama kita nyatakan
m
1
=
ǫ
R
= 1, 5 ×10
−5
m
2
=
1
RC
= 0, 25
sehingga persamaan (7.15) dimodifikasi menjadi
dq
dt
= f(q
i
) = m
1
−q
i
m
2
t
i
= a + ih
Jika t
0
= 0, maka a = 0, dan pada saat itu (secara fisis) diketahui q
0
= 0, 0. Lalu jika ditetapkan
h = 0, 1 maka t
1
= 0, 1 dan kita bisa mulai menghitung k
1
dengan menggunakan q
0
= 0, 0,
walaupun t
1
tidak dilibatkan dalam perhitungan ini
k
1
= hf(q
0
)
= h(m
1
−q
0
m
2
)
= 0, 1((1, 5 ×10
−5
) −(0, 0)(0, 25))
= 0, 150 ×10
−5
112 BAB 7. DIFERENSIAL NUMERIK
lalu menghitung k
2
k
2
= hf(q
0
+
k
1
2
)
= h[(m
1
−(q
0
+
k
1
2
)m
2
)]
= 0, 1[(1, 5 ×10
−5
−((0, 0) +
0, 15 ×10
−5
2
)(0, 25)]
= 0, 14813 ×10
−5
dilanjutkan dengan k
3
k
3
= hf(q
0
+
k
2
2
)
= h[(m
1
−(q
0
+
k
2
2
)m
2
)]
= 0, 1[(1, 5 ×10
−5
−((0, 0) +
0, 14813 ×10
−5
2
)(0, 25)]
= 0, 14815 ×10
−5
kemudian k
4
k
4
= hf(q
0
+ k
3
)
= h[(m
1
−(q
0
+ k
3
)m
2
)]
= 0, 1[(1, 5 ×10
−5
−((0, 0) + 0, 14815 ×10
−5
)(0, 25)]
= 0, 14630 ×10
−5
akhirnya diperoleh q
1
q
1
= q
0
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
)
= 0, 0 +
1
6
(0, 150 + 2(0, 14813) + 2(0, 14815) + 0, 14630) ×10
−5
= 0, 14814 ×10
−5
Selanjutnya q
2
dihitung. Tentu saja pada saat t
2
, dimana t
2
= 0, 2, namun sekali lagi, t
2
tidak
terlibat dalam perhitungan ini. Dimulai menghitung k
1
kembali
k
1
= hf(q
1
)
= h(m
1
−q
1
m
2
)
= 0, 1((1, 5 ×10
−5
) −(0, 14814 ×10
−5
)(0, 25))
= 0, 14630 ×10
−5
7.2. METODE RUNGE KUTTA 113
lalu menghitung k
2
k
2
= hf(q
1
+
k
1
2
)
= h[(m
1
−(q
1
+
k
1
2
)m
2
)]
= 0, 1[(1, 5 ×10
−5
−((0, 14814 ×10
−5
) +
0, 14630 ×10
−5
2
)(0, 25)]
= 0, 14447 ×10
−5
dilanjutkan dengan k
3
k
3
= hf(q
1
+
k
2
2
)
= h[(m
1
−(q
1
+
k
2
2
)m
2
)]
= 0, 1[(1, 5 ×10
−5
−((0, 14814 ×10
−5
) +
0, 14447 ×10
−5
2
)(0, 25)]
= 0, 14449 ×10
−5
kemudian k
4
k
4
= hf(q
1
+ k
3
)
= h[(m
1
−(q
1
+ k
3
)m
2
)]
= 0, 1[(1, 5 ×10
−5
−((0, 14814 ×10
−5
) + 0, 14449 ×10
−5
)(0, 25)]
= 0, 14268 ×10
−5
akhirnya diperoleh q
2
q
2
= q
1
+
1
6
(k
1
+ 2k
2
+ 2k
3
+ k
4
)
= 0, 14814 ×10
−5
+
1
6
(0, 14630 + 2(0, 14447) + 2(0, 14449) + 0, 14268) ×10
−5
= 0, 29262 ×10
−5
Dengan cara yang sama, q
3
, q
4
, q
5
dan seterusnya dapat dihitung. Berikut ini adalah script
dalam matlab yang dipakai untuk menghitung q
1 clear all
2 clc
3
4 format long
5
6 b=1; % batas akhir interval
7 a=0; % batas awal interval
8 h=0.1; % interval waktu
9 N=(b-a)/h; % nilai step-size
10 q0=0.0; % muatan mula-mula
11 t0=0.0; % waktu awal
12
114 BAB 7. DIFERENSIAL NUMERIK
13 % perubahan t sesuai step-size h adalah:
14 for i=1:N
15 t(i)=a+(i
*
h);
16 end
17
18 % solusinya:
19 k1=h
*
futur(q0);
20 k2=h
*
futur(q0+k1/2);
21 k3=h
*
futur(q0+k2/2);
22 k4=h
*
futur(q0+k3);
23 q(1)=q0+1/6
*
(k1+2
*
k2+2
*
k3+k4);
24
25 for i=2:N
26 k=i-1;
27 k1=h
*
futur(q(k));
28 k2=h
*
futur(q(k)+k1/2);
29 k3=h
*
futur(q(k)+k2/2);
30 k4=h
*
futur(q(k)+k3);
31 q(i)=q(k)+1/6
*
(k1+2
*
k2+2
*
k3+k4);
32 end
33 q
Adapun script fungsi turunannya (futur.m) adalah sebagai berikut:
1 function y=futur(q)
2 E=12; % tegangan (volt)
3 R=800000; % hambatan (ohm)
4 C=5e-6; % kapasitansi (farad)
5 m1=E/R;
6 m2=1/(R
*
C);
7 y=m1-(m2
*
q);
Tabel 7.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil
perhitungan dari solusi exact, yaitu persamaan (7.16)
i t
i
q
i
q
exact
= q(t
i
) |q
i
−q
exact
|
0 0,0 0,00000×10
−5
0,00000×10
−5
0,00000
1 0,1 0,14814×10
−5
0,14814×10
−5
0,00000
2 0,2 0,29262×10
−5
0,29262×10
−5
0,00000
3 0,3 0,43354×10
−5
0,43354×10
−5
0,00000
4 0,4 0,57098×10
−5
0,57098×10
−5
0,00000
5 0,5 0,70502×10
−5
0,70502×10
−5
0,00000
6 0,6 0,83575×10
−5
0,83575×10
−5
0,00000
7 0,7 0,96326×10
−5
0,96326×10
−5
0,00000
8 0,8 1,0876×10
−5
1,0876×10
−5
0,00000
9 0,9 1,2089×10
−5
1,2089×10
−5
0,00000
10 1,0 1,3272×10
−5
1,3272×10
−5
0,00000
Luar biasa!! Tak ada error sama sekali. Mungkin, kalau kita buat 7 angka dibelakang koma,
errornya akan terlihat. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma, hasil
ini sangat memuaskan. Gambar 7.5 memperlihatkan kurva penumpukan muatan q terhadap
waktu t – dengan batas atas interval waktu dinaikkan hingga 20 –.
7.3. METODE FINITE DIFFERENCE 115
0 2 4 6 8 10 12 14 16 18 20
0
2
4
6
x 10
−5
Gambar 7.5: Kurva pengisian muatan q (charging) terhadap waktu t
Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus
yang lain, misalnya proses pembuangan (discharging) q pada rangkaian yang sama, atau bisa
juga anda berlatih dengan rangkaian RL dan RLC. Saya akhiri dulu uraian saya sampai disini.
7.3 Metode Finite Difference
Suatu persamaan diferensial dapat dinyatakan sebagai berikut:
d
2
y
dx
2
(x) = p(x)
dy
dx
(x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β (7.17)
atau juga dapat dituliskan dalam bentuk lain
y
′′
= p(x)y

+ q(x)y + r(x) (7.18)
Persamaan tersebut dapat diselesaikan dengan melakukan pendekatan numerik terhadap y
′′
dan y

. Caranya adalah pertama, kita memilih angka integer sembarang yaitu N dimana N > 0
dan membagi interval [a, b] dengan (N + 1), hasilnya dinamakan h (lihat Gambar 7.6)
h =
b −a
N + 1
(7.19)
116 BAB 7. DIFERENSIAL NUMERIK
Gambar 7.6: Kurva suatu fungsi f(x) yang dibagi sama besar berjarak h. Evaluasi kurva yang
dilakukan Finite-Difference dimulai dari batas bawah X
0
= a hingga batas atas x
6
= b
Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat diny-
atakan sebagai
x
i
= a + ih, i = 0, 1, ..., N + 1 (7.20)
Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan me-
manfaatkan polinomial Taylor untuk mengevaluasi y
′′
dan y

pada x
i+1
dan x
i−1
seperti berikut
ini
y(x
i+1
) = y(x
i
+ h) = y(x
i
) + hy

(x
i
) +
h
2
2
y
′′
(x
i
) (7.21)
dan
y(x
i−1
) = y(x
i
−h) = y(x
i
) −hy

(x
i
) +
h
2
2
y
′′
(x
i
) (7.22)
Jika kedua persamaan ini dijumlahkan
y(x
i+1
) + y(x
i−1
) = 2y(x
i
) + h
2
y
′′
(x
i
)
Dari sini y
′′
dapat ditentukan
h
2
y
′′
(x
i
) = y(x
i+1
) −2y(x
i
) + y(x
i−1
)
y
′′
(x
i
) =
y(x
i+1
) −2y(x
i
) + y(x
i−1
)
h
2
(7.23)
Dengan cara yang sama, y

(x
i
) dapat dicari sebagai berikut
y

(x
i
) =
y(x
i+1
) −y(x
i−1
)
2h
(7.24)
7.3. METODE FINITE DIFFERENCE 117
Selanjutnya persamaan (7.23) dan (7.24) disubstitusikan ke persamaan (7.18) maka
y(x
i+1
) −2y(x
i
) + y(x
i−1
)
h
2
= p(x
i
)
y(x
i+1
) −y(x
i−1
)
2h
+ q(x
i
)y(x
i
) + r(x
i
)
−y(x
i+1
) + 2y(x
i
) −y(x
i−1
)
h
2
= −p(x
i
)
y(x
i+1
) −y(x
i−1
)
2h
−q(x
i
)y(x
i
) −r(x
i
)
−y(x
i+1
) + 2y(x
i
) −y(x
i−1
)
h
2
+ p(x
i
)
y(x
i+1
) −y(x
i−1
)
2h
+ q(x
i
)y(x
i
) = −r(x
i
)
Sebelum dilanjut, saya nyatakan bahwa y(x
i+1
)=w
i+1
dan y(x
i
)=w
i
serta y(x
i−1
)=w
i−1
. Maka
persamaan di atas dapat ditulis sebagai berikut

−w
i+1
+ 2w
i
−w
i−1
h
2

+ p(x
i
)

w
i+1
−w
i−1
2h

+ q(x
i
)w
i
= −r(x
i
)
(−w
i+1
+ 2w
i
−w
i−1
) +
h
2
p(x
i
) (w
i+1
−w
i−1
) + h
2
q(x
i
)w
i
= −h
2
r(x
i
)
−w
i+1
+ 2w
i
−w
i−1
+
h
2
p(x
i
)w
i+1

h
2
p(x
i
)w
i−1
+ h
2
q(x
i
)w
i
= −h
2
r(x
i
)
−w
i−1

h
2
p(x
i
)w
i−1
+ 2w
i
+ h
2
q(x
i
)w
i
−w
i+1
+
h
2
p(x
i
)w
i+1
= −h
2
r(x
i
)

1 +
h
2
p(x
i
)

w
i−1
+

2 + h
2
q(x
i
)

w
i

(1 −
h
2
p(x
i
)

w
i+1
= −h
2
r(x
i
) (7.25)
dimana i=1,2,3...sampai N, karena yang ingin kita cari adalah w
1
, w
2
, w
3
,..., w
N
. Sementara,
satu hal yang tak boleh dilupakan yaitu w
0
dan w
N+1
biasanya selalu sudah diketahui. Pada
persamaan (7.17), jelas-jelas sudah diketahui bahwa w
0
=α dan w
N+1
=β; keduanya dikenal se-
bagai syarat batas atau istilah asingnya adalah boundary value. Topik yang sedang bahas ini
juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.
Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan
sebagai bentuk operasi matrik
Aw = b (7.26)
dimana A adalah matrik tridiagonal dengan orde N ×N
A =

2 + h
2
q(x
1
) −1 +
h
2
p(x
1
) 0 . . . . . . . . . 0
−1 −
h
2
p(x
2
) 2 + h
2
q(x
2
) −1 +
h
2
p(x
2
) 0 . . . . . . 0
0 −1 −
h
2
p(x
3
) 2 + h
2
q(x
3
) −1 +
h
2
p(x
3
) 0 . . . 0
0 0 −1 −
h
2
p(x
4
) 2 + h
2
q(x
4
) −1 +
h
2
p(x
4
) 0 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . −1 −
h
2
p(x
N−1
) 2 + h
2
q(x
N−1
) −1 +
h
2
p(x
N−1
)
0 . . . . . . . . . . . . −1 −
h
2
p(x
N
) 2 + h
2
q(x
N
)
¸
¸
¸
¸
¸
¸
¸
¸
118 BAB 7. DIFERENSIAL NUMERIK
w =

w
1
w
2
w
3
w
4
.
.
.
w
N−1
w
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
b =

−h
2
r(x
1
) +

1 +
h
2
p(x
1
)

w
0
−h
2
r(x
2
)
−h
2
r(x
3
)
−h
2
r(x
4
)
.
.
.
−h
2
r(x
N−1
)
−h
2
r(x
N
) +

1 −
h
2
p(x
N
)

w
N+1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
7.3.1 Script Finite-Difference
1 clear all
2 clc
3
4 a=1.0; %ganti angkanya sesuai data yang anda miliki
5 b=2.0; %ganti angkanya sesuai data yang anda miliki
6 n=9; %ganti angkanya sesuai data yang anda miliki
7 h=(b-a)/(n+1);
8 alpha=1; %ganti angkanya sesuai data yang anda miliki
9 beta=2; %ganti angkanya sesuai data yang anda miliki
10
11 %====== Mencari Elemen Matrik A ========
12 for i=1:n
13 x=a+i
*
h;
14 A(i,i)=2+h^2
*
fungsiQ(x);
15 end
16 for i=1:n-1
17 x=a+i
*
h;
18 A(i,i+1)=-1+((h/2)
*
fungsiP(x));
19 end
20 for i=2:n
21 x=a+i
*
h;
22 A(i,i-1)=-1-((h/2)
*
fungsiP(x));
23 end
24 A
25 %====== Mencari Elemen Vektor b ========
26 x=a+h;
27 b(1,1)=-h^2
*
fungsiR(x)+(1+((h/2)
*
fungsiP(x)))
*
alpha;
28 for i=2:8
29 x=a+i
*
h;
30 b(i,1)=-h^2
*
fungsiR(x);
31 end
32 xn=a+n
*
h
33 b(n,1)=-h^2
*
fungsiR(xn)+(1-((h/2)
*
fungsiP(xn)))
*
beta;
34 b
7.3. METODE FINITE DIFFERENCE 119
Pada akhirnya, elemen-elemen matrik A dan vektor b sudah diketahui. Sehingga vektor w
dapat dihitung dengan berbagai metode pemecahan sistem persamaan linear, seperti Eliminasi
Gauss, Gauss-Jourdan, Iterasi Jacobi dan Iterasi Gauss-Seidel.
Contoh
Diketahui persamaan diferensial seperti berikut ini
y
′′
= −
2
x
y

+
2
x
2
y +
sin(ln x)
x
2
, 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2
memiliki solusi exact
y = c
1
x +
c
2
x
2

3
10
sin(lnx) −
1
10
cos(ln x),
dimana
c
2
=
1
70
[8 −12 sin(ln 2) −4 cos(ln 2)] ≈ −0, 03920701320
dan
c
1
=
11
10
−c
2
≈ 1, 1392070132.
Dengan metode Finite-Difference, solusi pendekatan dapat diperoleh dengan membagi inter-
val 1 ≤ x ≤ 2 menjadi sub-interval, misalnya kita gunakan N = 9, sehingga spasi h diperoleh
h =
b −a
N + 1
=
2 −1
9 + 1
= 0, 1
Dari persamaan diferensial tersebut juga didapat
p(x
i
) = −
2
x
i
q(x
i
) =
2
x
2
i
r(x
i
) =
sin(ln x
i
)
x
2
i
Script matlab telah dibuat untuk menyelesaikan contoh soal ini. Untuk memecahkan persoalan
ini, saya membuat 4 buah script, terdiri dari script utama, script fungsiP, script fungsiQ dan
script fungsiR. Berikut ini adalah script fungsiP yang disimpan dengan nama file fungsiP.m:
1 function y = fungsiP(x)
2 y = -2/x;
lalu inilah script fungsiQ yang disimpan dengan nama file fungsiQ.m:
1 function y = fungsiQ(x)
2 y = 2/x^2;
kemudian ini script fungsiR yang disimpan dengan nama file fungsiR.m::
120 BAB 7. DIFERENSIAL NUMERIK
1 function y = fungsiR(x)
2 y = sin(log(x))/x^2;
dan terakhir, inilah script utamanya:
1 clear all
2 clc
3
4 a=1.0;
5 b=2.0;
6
7 alpha=1;
8 beta=2;
9
10 %=======jika diketahui n, maka h dihitung ====
11 n=9;
12 h=(b-a)/(n+1);
13
14 %=======jika diketahui h, maka n dihitung ====
15 %h=0.1;
16 %n=((b-a)/h)-1;
17
18 %====== Mencari Elemen Matrik A ========
19 for i=1:n
20 x=a+i
*
h;
21 A(i,i)=2+h^2
*
fungsiQ(x);
22 end
23 for i=1:n-1
24 x=a+i
*
h;
25 A(i,i+1)=-1+((h/2)
*
fungsiP(x));
26 end
27 for i=2:n
28 x=a+i
*
h;
29 A(i,i-1)=-1-((h/2)
*
fungsiP(x));
30 end
31 A
32 %====== Mencari Elemen Vektor b ========
33 x=a+h;
34 b(1,1)=-h^2
*
fungsiR(x)+(1+((h/2)
*
fungsiP(x)))
*
alpha;
35 for i=2:8
36 x=a+i
*
h;
37 b(i,1)=-h^2
*
fungsiR(x);
38 end
39 xn=a+n
*
h
40 b(n,1)=-h^2
*
fungsiR(xn)+(1-((h/2)
*
fungsiP(xn)))
*
beta;
41 b
7.3. METODE FINITE DIFFERENCE 121
42 %====== Menggabungkan Vektor b kedalam matrik A ========
43 for i=1:n
44 A(i,n+1)=b(i,1);
45 end
46 A
47
48 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
49 %---------Proses Triangularisasi-----------
50 for j=1:(n-1)
51
52 %----mulai proses pivot---
53 if (A(j,j)==0)
54 for p=1:n+1
55 u=A(j,p);
56 v=A(j+1,p);
57 A(j+1,p)=u;
58 A(j,p)=v;
59 end
60 end
61 %----akhir proses pivot---
62 jj=j+1;
63 for i=jj:n
64 m=A(i,j)/A(j,j);
65 for k=1:(n+1)
66 A(i,k)=A(i,k)-(m
*
A(j,k));
67 end
68 end
69 end
70 %-------------------------------------------
71
72 %------Proses Substitusi mundur-------------
73 x(n,1)=A(n,n+1)/A(n,n);
74
75 for i=n-1:-1:1
76 S=0;
77 for j=n:-1:i+1
78 S=S+A(i,j)
*
x(j,1);
79 end
80 x(i,1)=(A(i,n+1)-S)/A(i,i);
81 end
82 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
83
84 %===== Menampilkan Vektor w =================
85 w=x
Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode Finite-Difference
w
i
dan hasil perhitungan dari solusi exact y(x
i
), dilengkapi dengan selisih antara keduanya
122 BAB 7. DIFERENSIAL NUMERIK
|w
i
−y(x
i
)|. Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 10
−5
. Un-
x
i
w
i
y(x
i
) |w
i
−y(x
i
)|
1,0 1,00000000 1,00000000
1,1 1,09260052 1,09262930 2,88 × 10
−5
1,2 1,18704313 1,18708484 4,17 × 10
−5
1,3 1,28333687 1,28338236 4,55 × 10
−5
1,4 1,38140205 1,38144595 4,39 × 10
−5
1,5 1,48112026 1,48115942 3,92 × 10
−5
1,6 1,58235990 1,58239246 3,26 × 10
−5
1,7 1,68498902 1,68501396 2,49 × 10
−5
1,8 1,78888175 1,78889853 1,68 × 10
−5
1,9 1,89392110 1,89392951 8,41 × 10
−6
2,0 2,00000000 2,00000000
tuk memperkecil orde kesalahan, kita bisa menggunakan polinomial Taylor berorde tinggi.
Akan tetapi proses kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas
lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang. Untuk
menghindari hal-hal yang rumit itu, salah satu jalan pintas yang cukup efektif adalah dengan
menerapkan ekstrapolasi Richardson.
Contoh
Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan difer-
ensial seperti berikut ini
y
′′
= −
2
x
y

+
2
x
2
y +
sin(ln x)
x
2
, 1 ≤ x ≤ 2, y(1) = 1, y(2) = 2,
dengan h = 0, 1, h = 0, 05, h = 0, 025. Ekstrapolasi Richardson terdiri atas 3 tahapan, yaitu
ekstrapolasi yang pertama
Ext
1i
=
4w
i
(h = 0, 05) −w
i
(h = 0, 1)
3
kemudian ekstrapolasi yang kedua
Ext
2i
=
4w
i
(h = 0, 025) −w
i
(h = 0, 05)
3
dan terakhir ekstrapolasi yang ketiga
Ext
3i
=
16Ext
2i
−Ext
1i
15
Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut. Ji-
ka seluruh angka di belakang koma diikut-sertakan, maka akan terlihat selisih antara solusi
exact dengan solusi pendekatan sebesar 6, 3 × 10
−11
. Ini benar-benar improvisasi yang luar
biasa.
7.3. METODE FINITE DIFFERENCE 123
x
i
w
i
(h = 0, 1) w
i
(h = 0, 05) w
i
(h = 0, 025) Ext
1i
Ext
2i
Ext
3i
1,0 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000 1,00000000
1,1 1,09260052 1,09262207 1,09262749 1,09262925 1,09262930 1,09262930
1,2 1,18704313 1,18707436 1,18708222 1,18708477 1,18708484 1,18708484
1,3 1,28333687 1,28337094 1,28337950 1,28338230 1,28338236 1,28338236
1,4 1,38140205 1,38143493 1,38144319 1,38144598 1,38144595 1,38144595
1,5 1,48112026 1,48114959 1,48115696 1,48115937 1,48115941 1,48115942
1,6 1,58235990 1,58238429 1,58239042 1,58239242 1,58239246 1,58239246
1,7 1,68498902 1,68500770 1,68501240 1,68501393 1,68501396 1,68501396
1,8 1,78888175 1,78889432 1,78889748 1,78889852 1,78889853 1,78889853
1,9 1,89392110 1,89392740 1,89392898 1,89392950 1,89392951 1,89392951
2,0 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000 2,00000000
7.3.2 Aplikasi
Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan
gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini
berikut syarat-syarat batasnya
d
2
y
dt
2
=
dy
dt
+ 2y + cos(t), 0 ≤ t ≤
π
2
, y(0) = −0, 3, y(
π
2
) = −0, 1
Dengan metode Finite-Difference, tentukanlah besar masing-masing simpangan di setiap inter-
val h = π/8. Buatlah table untuk membandingkan hasil finite-difference dengan solusi analitik
yang memenuhi y(t) = −
1
10
[sin(t) + 3cos(t)].
jawab:
Secara umum, persamaan diferensial dapat dinyatakan sbb:
d
2
y
dx
2
(x) = p(x)
dy
dx
(x) + q(x)y(x) + r(x), a ≤ x ≤ b, y(a) = α, y(b) = β
Dengan membandingkan kedua persamaan di atas, kita bisa definisikan
p(t) = 1 q(t) = 2 r(t) = cos(t) a = 0 b =
π
2
α = −0, 3 β = −0, 1
Adapun persamaan finite-difference adalah

1 +
h
2
p(x
i
)

w
i−1
+

2 + h
2
q(x
i
)

w
i

(1 −
h
2
p(x
i
)

w
i+1
= −h
2
r(x
i
)
Persamaan diatas dikonversi kedalam operasi matriks
Aw = b (7.27)
124 BAB 7. DIFERENSIAL NUMERIK
dimana A adalah matrik tridiagonal dengan orde N ×N
A =

2 + h
2
q(x
1
) −1 +
h
2
p(x
1
) 0 . . . . . . . . . 0
−1 −
h
2
p(x
2
) 2 + h
2
q(x
2
) −1 +
h
2
p(x
2
) 0 . . . . . . 0
0 −1 −
h
2
p(x
3
) 2 + h
2
q(x
3
) −1 +
h
2
p(x
3
) 0 . . . 0
0 0 −1 −
h
2
p(x
4
) 2 + h
2
q(x
4
) −1 +
h
2
p(x
4
) 0 0
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . −1 −
h
2
p(x
N−1
) 2 + h
2
q(x
N−1
) −1 +
h
2
p(x
N−1
)
0 . . . . . . . . . . . . −1 −
h
2
p(x
N
) 2 + h
2
q(x
N
)
¸
¸
¸
¸
¸
¸
¸
¸
w =

w
1
w
2
w
3
w
4
.
.
.
w
N−1
w
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
b =

−h
2
r(x
1
) +

1 +
h
2
p(x
1
)

w
0
−h
2
r(x
2
)
−h
2
r(x
3
)
−h
2
r(x
4
)
.
.
.
−h
2
r(x
N−1
)
−h
2
r(x
N
) +

1 −
h
2
p(x
N
)

w
N+1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Jumlah baris matrik ditentukan oleh bilangan n. Namun disoal hanya tersedia informasi nilai
h = π/8, sehingga n harus dihitung terlebih dahulu:
h =
b −a
n + 1
n =
b −a
h
−1 =
π
2
−0
π/8
−1 = 3
perhitungan ini dilakukan didalam script matlab. Selanjutnya seluruh elemen matrik A dan
vektor b dihitung dengan matlab

2, 3084 −0, 8037 0
−1, 1963 2, 3084 −0, 8037
0 −1, 1963 2, 3084
¸
¸
¸

w
1
w
2
w
3
¸
¸
¸
=

−0, 5014
−0, 1090
−0, 1394
¸
¸
¸
Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini
w
1
= −0.3157 w
2
= −0.2829 w
3
= −0.2070
7.4 Persamaan Diferensial Parsial
Dalam sub-bab ini, penulisan ’persamaan diferensial parsial’ akan dipersingkat menjadi PDP.
PDP dapat dibagi menjadi 3 jenis, yaitu persamaan diferensial eliptik, parabolik dan hiperbo-
lik. PDP eliptik dinyatakan sebagai berikut

2
u
∂x
2
(x, y) +

2
u
∂y
2
(x, y) = f(x, y) (7.28)
7.5. PDP ELIPTIK 125
Di bidang fisika, persamaan (7.28) dikenal sebagai Persamaan Poisson. Jika f(x, y)=0, maka
diperoleh persamaan yang lebih sederhana

2
u
∂x
2
(x, y) +

2
u
∂y
2
(x, y) = 0 (7.29)
yang biasa disebut sebagai Persamaan Laplace. Contoh masalah PDP eliptik di bidang fisika
adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi.
Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut
∂u
∂t
(x, t) −α
2

2
u
∂x
2
(x, t) = 0 (7.30)
Fenomena fisis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada su-
atu obyek dalam fungsi waktu t.
Terakhir, PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut
α
2

2
u

2
x
(x, t) =

2
u
∂t
2
(x, t) (7.31)
biasa digunakan untuk menjelaskan fenomena gelombang.
Sekarang, mari kita bahas lebih dalamsatu-persatu, difokuskan pada bagaimana cara meny-
atakan semua PDP di atas dalam formulasi Finite-Difference.
7.5 PDP eliptik
Kita mulai dari persamaan aslinya

2
u
∂x
2
(x, y) +

2
u
∂y
2
(x, y) = f(x, y) (7.32)
dimana R = [(x, y)|a < x < b, c < y < d]. Maksudnya, variasi titik-titik x berada di antara a
dan b. Demikian pula dengan variasi titik-titik y, dibatasi mulai dari c sampai d (lihat Gambar
7.7). Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam
rentang horizontal a dan b, maka titik-titik variasi di antara a dan b dapat diketahui melalui
rumus ini
x
i
= a + ih, dimana i = 1, 2, . . . , n (7.33)
dimana a adalah titik awal pada sumbu horisontal x. Demikian pula pada sumbu y. Jika k
adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan
d, maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini
y
j
= c + jk, dimana j = 1, 2, . . . , m (7.34)
dimana c adalah titik awal pada sumbu vertikal y. Perhatikan Gambar 7.7, garis-garis yang
sejajar sumbu horisontal, y = y
i
dan garis-garis yang sejajar sumbu vertikal, x = x
i
disebut grid
lines. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan
126 BAB 7. DIFERENSIAL NUMERIK
a b
c
d
h
k
gridlines
meshpoints
x
1
x
2
... x
n
y
1
y
2
y
m
.
.
.
.
.
.
Gambar 7.7: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference
mesh points.
Turunan kedua sebagaimana yang ada pada persamaan (7.32) dapat dinyatakan dalam rumus
centered-difference sebagai berikut

2
u
∂x
2
(x
i
, y
j
) =
u(x
i+1
, y
j
) −2u(x
i
, y
j
) + u(x
i−1
, y
j
)
h
2

h
2
12

4
u
∂x
4

i
, y
j
) (7.35)

2
u
∂y
2
(x
i
, y
j
) =
u(x
i
, y
j+1
) −2u(x
i
, y
j
) + u(x
i
, y
j−1
)
k
2

k
2
12

4
u
∂y
4
(x
i
, η
j
) (7.36)
Metode Finite-Difference biasanya mengabaikan suku yang terakhir, sehingga cukup dinyatakan
sebagai

2
u
∂x
2
(x
i
, y
j
) =
u(x
i+1
, y
j
) −2u(x
i
, y
j
) + u(x
i−1
, y
j
)
h
2
(7.37)

2
u
∂y
2
(x
i
, y
j
) =
u(x
i
, y
j+1
) −2u(x
i
, y
j
) + u(x
i
, y
j−1
)
k
2
(7.38)
Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error. Ja-
di, ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference,
maka solusinya pasti meleset alias keliru "sedikit", dikarenakan adanya truncation error terse-
but. Akan tetapi, nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya
akan dikupas pada bagian akhir bab ini.
Ok. Mari kita lanjutkan! Sekarang persamaan (7.37) dan (7.38) disubstitusi ke persamaan (7.32),
hasilnya adalah
u(x
i+1
, y
j
) −2u(x
i
, y
j
) + u(x
i−1
, y
j
)
h
2
+
u(x
i
, y
j+1
) −2u(x
i
, y
j
) + u(x
i
, y
j−1
)
k
2
= f(x
i
, y
j
) (7.39)
7.5. PDP ELIPTIK 127
dimana i = 1, 2, ..., n −1 dan j = 1, 2, ..., m−1 dengan syarat batas sebagai berikut
u(x
0
, y
j
) = g(x
0
, y
j
) u(x
n
, y
j
) = g(x
n
, y
j
)
u(x
i
, y
0
) = g(x
i
, y
0
) u(x
i
, y
m
) = g(x
i
, y
m
)
Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points.
Pada metode Finite-Difference, persamaan (7.39) dinyatakan dalam notasi w, sebagai berikut
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
+
w
i,j+1
−2w
i,j
+ w
i,j−1
k
2
= f(x
i
, y
j
)
w
i+1,j
−2w
i,j
+ w
i−1,j
+
h
2
k
2
(w
i,j+1
−2w
i,j
+ w
i,j−1
) = h
2
f(x
i
, y
j
)
w
i+1,j
−2w
i,j
+ w
i−1,j
+
h
2
k
2
w
i,j+1
−2
h
2
k
2
w
i,j
+
h
2
k
2
w
i,j−1
= h
2
f(x
i
, y
j
)
−2[1 +
h
2
k
2
]w
i,j
+ (w
i+1,j
+ w
i−1,j
) +
h
2
k
2
(w
i,j+1
+ w
i,j−1
) = h
2
f(x
i
, y
j
)
2[1 +
h
2
k
2
]w
i,j
−(w
i+1,j
+ w
i−1,j
) −
h
2
k
2
(w
i,j+1
+ w
i,j−1
) = −h
2
f(x
i
, y
j
) (7.40)
dimana i = 1, 2, ..., n −1 dan j = 1, 2, ..., m−1, dengan syarat batas sebagai berikut
w
0,j
= g(x
0
, y
j
) w
n,j
= g(x
n
, y
j
) j = 0, 1, ..., m−1;
w
i,0
= g(x
i
, y
0
) w
i,m
= g(x
i
, y
m
) i = 1, 2, ..., n −1.
Persamaan (7.40) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik.
7.5.1 Contoh pertama
Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0, 5
m x 0, 5 m. Temperatur pada 2 sisi tepi lempengan logam dijaga pada 0

C, sementara pada 2
sisi tepi lempengan logam yang lain, temperaturnya diatur meningkat secara linear dari 0

C
hingga 100

C. Problem ini memenuhi PDP Eliptik:

2
u
∂x
2
(x, y) +

2
u
∂y
2
(x, y) = 0; 0 < x < 0, 5, 0 < y < 0, 5
dengan syarat-syarat batas
u(0, y) = 0, u(x, 0) = 0, u(x, 0.5) = 200x, u(0.5, y) = 200y
Jika n = m = 4 sedangkan ukuran lempeng logam adalah 0, 5 m x 0, 5 m, maka
h =
0, 5
4
= 0, 125 k =
0, 5
4
= 0, 125
Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.8).
Langkah berikutnya adalah menyusun persamaan Finite-Difference, dimulai dari persamaan
128 BAB 7. DIFERENSIAL NUMERIK
U
(
0
,
y
)
=
0
U(x,0)=0
U
(
0
.
5
,
y
)
=
2
0
0
y
U(x,0.5)=200x
0.5
0.5
Y
X
W
2,3
W
1,3
W
3,3
W
1,2
W
2,2
W
3,2
W
1,1
W
2,1
W
3,1
W
1,4
W
2,4
W
3,4
W
4,3
W
4,2
W
4,1
W
0,3
W
0,2
W
0,1
W
1,0
W
2,0
W
3,0
Gambar 7.8: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur
pada lempeng logam sesuai contoh satu
asalnya (persamaan 7.40)
2[1 +
h
2
k
2
]w
i,j
−(w
i+1,j
+ w
i−1,j
) −
h
2
k
2
(w
i,j+1
+ w
i,j−1
) = −h
2
f(x
i
, y
j
)
Karena h = k = 0, 125 dan f(x
i
, y
j
) = 0, maka
4w
i,j
−w
i+1,j
−w
i−1,j
−w
i,j−1
−w
i,j+1
= 0 (7.41)
Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n − 1 akan menjadi i =
1, 2, 3. Demikian hal-nya dengan j, karena m = 4, maka variasi j = 1, 2, ..., m − 1 atau j =
1, 2, 3. Dengan menerapkan persamaan (7.41) pada setiap mesh point yang belum diketahui
temperaturnya, diperoleh
4w
1,3
−w
2,3
−w
1,2
= w
0,3
+ w
1,4
4w
2,3
−w
3,3
−w
2,2
−w
1,3
= w
2,4
4w
3,3
−w
3,2
−w
2,3
= w
4,3
+ w
3,4
4w
1,2
−w
2,2
−w
1,1
−w
1,3
= w
0,2
4w
2,2
−w
3,2
−w
2,1
−w
1,2
−w
2,3
= 0
4w
3,2
−w
3,1
−w
2,2
−w
3,3
= w
4,2
4w
1,1
−w
2,1
−w
1,2
= w
0,1
+ w
1,0
4w
2,1
−w
3,1
−w
1,1
−w
2,2
= w
2,0
4w
3,1
−w
2,1
−w
3,2
= w
3,0
+ w
4,1
7.5. PDP ELIPTIK 129
Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya
berdasarkan syarat batas, yaitu
w
1,0
= w
2,0
= w
3,0
= w
0,1
= w
0,2
= w
0,3
= 0,
w
1,4
= w
4,1
= 25, w
2,4
= w
4,2
= 50, dan
w
3,4
= w
4,3
= 75
Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka
4w
1,3
−w
2,3
−w
1,2
= 25
4w
2,3
−w
3,3
−w
2,2
−w
1,3
= 50
4w
3,3
−w
3,2
−w
2,3
= 150
4w
1,2
−w
2,2
−w
1,1
−w
1,3
= 0
4w
2,2
−w
3,2
−w
2,1
−w
1,2
−w
2,3
= 0
4w
3,2
−w
3,1
−w
2,2
−w
3,3
= 50
4w
1,1
−w
2,1
−w
1,2
= 0
4w
2,1
−w
3,1
−w
1,1
−w
2,2
= 0
4w
3,1
−w
2,1
−w
3,2
= 25
Kemudian dijadikan operasi perkalian matrik

4 −1 0 −1 0 0 0 0 0
−1 4 −1 0 −1 0 0 0 0
0 −1 4 0 0 −1 0 0 0
−1 0 0 4 −1 0 −1 0 0
0 −1 0 −1 4 −1 0 −1 0
0 0 −1 0 −1 4 0 0 −1
0 0 0 −1 0 0 4 −1 0
0 0 0 0 −1 0 −1 4 −1
0 0 0 0 0 −1 0 −1 4
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

w
1,3
w
2,3
w
3,3
w
1,2
w
2,2
w
3,2
w
1,1
w
2,1
w
3,1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

25
50
150
0
0
50
0
0
25
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Mari kita perhatikan sejenak susunan elemen-elemen angka pada matrik berukuran 9x9 di atas.
Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidaksenga-
jaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen tri-
diagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka yang
terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk menyele-
saikan persamaan matrik di atas.
130 BAB 7. DIFERENSIAL NUMERIK
7.5.2 Script Matlab untuk PDP Elliptik
Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Elimi-
nasi Gauss.
1 clear all
2 clc
3 n=9;
4 A=[ 4 -1 0 -1 0 0 0 0 0;
5 -1 4 -1 0 -1 0 0 0 0;
6 0 -1 4 0 0 -1 0 0 0;
7 -1 0 0 4 -1 0 -1 0 0;
8 0 -1 0 -1 4 -1 0 -1 0;
9 0 0 -1 0 -1 4 0 0 -1;
10 0 0 0 -1 0 0 4 -1 0;
11 0 0 0 0 -1 0 -1 4 -1;
12 0 0 0 0 0 -1 0 -1 4];
13
14 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
15
16 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
17 %====== Menggabungkan Vektor b kedalam matrik A ========
18 %====== sehingga terbentuk matrik Augmentasi. ========
19 for i=1:n
20 A(i,n+1)=b(i,1);
21 end
22
23 %---------Proses Triangularisasi-----------
24 for j=1:(n-1)
25
26 %----mulai proses pivot---
27 if (A(j,j)==0)
28 for p=1:n+1
29 u=A(j,p);
30 v=A(j+1,p);
31 A(j+1,p)=u;
32 A(j,p)=v;
33 end
34 end
35 %----akhir proses pivot---
36 jj=j+1;
37 for i=jj:n
38 m=A(i,j)/A(j,j);
39 for k=1:(n+1)
40 A(i,k)=A(i,k)-(m
*
A(j,k));
41 end
42 end
43 end
44 %-------------------------------------------
45
46 %------Proses Substitusi mundur-------------
47 x(n,1)=A(n,n+1)/A(n,n);
48
49 for i=n-1:-1:1
50 S=0;
51 for j=n:-1:i+1
52 S=S+A(i,j)
*
x(j,1);
53 end
7.5. PDP ELIPTIK 131
54 x(i,1)=(A(i,n+1)-S)/A(i,i);
55 end
56 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
57
58 %===== Menampilkan Vektor w =================
59 w=x
Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode
Iterasi Gauss-Seidel.
1 clear all
2 clc
3
4 n=9;
5 A=[ 4 -1 0 -1 0 0 0 0 0;
6 -1 4 -1 0 -1 0 0 0 0;
7 0 -1 4 0 0 -1 0 0 0;
8 -1 0 0 4 -1 0 -1 0 0;
9 0 -1 0 -1 4 -1 0 -1 0;
10 0 0 -1 0 -1 4 0 0 -1;
11 0 0 0 -1 0 0 4 -1 0;
12 0 0 0 0 -1 0 -1 4 -1;
13 0 0 0 0 0 -1 0 -1 4];
14
15 b=[25; 50; 150; 0; 0; 50; 0; 0; 25];
16
17 %&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&&
18 itermax=100; %iterasi maksimum
19 %----nilai awal-----------
20 xl=[0; 0; 0; 0; 0; 0; 0; 0; 0];
21 xb=xl;
22 %----stopping criteria-----------
23 sc=0.001;
24 %----memulai iterasi-------------
25 for iterasi=1:itermax
26 smtr1=0;
27 for j=2:n
28 smtr1=smtr1+A(1,j)
*
xl(j,1);
29 end
30 xb(1,1)=(-smtr1+b(1,1))/A(1,1);
31 %----------------------------------------------
32 for i=2:n-1
33 smtr2=0;
34 for j=i+1:n
35 smtr2=smtr2-A(i,j)
*
xl(j,1);
36 end
37 smtr3=0;
38 for k=1:i-1
39 smtr3=smtr3-A(i,k)
*
xb(k,1);
40 end
41 xb(i,1)=(smtr3+smtr2+b(i,1))/A(i,i);
42 end
43 %----------------------------------------------
44 smtr4=0;
45 for k=1:n-1
46 smtr4=smtr4-A(n,k)
*
xb(k,1);
47 end
48 xb(n,1)=(smtr4+b(n,1))/A(n,n);
132 BAB 7. DIFERENSIAL NUMERIK
49 %------perhitungan norm2 -------------
50 s=0;
51 for i=1:n
52 s=s+(xb(i,1)-xl(i,1))^2;
53 end
54 epsilon=sqrt(s);
55 %-------------------------------------
56 xl=xb;
57 %------memeriksa stopping criteria--------
58 if epsilon<sc
59 w=xb
60 break
61 end
62 %-----------------------------------------
63 end
Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat:
EG) dan iterasi Gauss-Seidel (disingkat: GS)
w
1,3
w
2,3
w
3,3
w
1,2
w
2,2
w
3,2
w
1,1
w
2,1
w
3,1
EG 18.7500 37.5000 56.2500 12.5000 25.0000 37.5000 6.2500 12.5000 18.7500
GS 18.7497 37.4997 56.2498 12.4997 24.9997 37.4998 6.2498 12.4998 18.7499
Inilah solusi yang ditawarkan oleh Finite-Difference. Kalau diamati dengan teliti, angka-
angka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. Dalam
kondisi riil, mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut ter-
buat dari bahan yang homogen.
Hasil EG dan GS memang berbeda, walaupun perbedaannya tidak significant. Namun per-
lu saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh dari Finite Dif-
ference berorde 100 atau kurang dari itu, maka lebih baik memilih metode Eliminasi Gauss
sebagai langkah penyelesaian akhir. Alasannya karena, direct method seperti eliminasi Gauss,
lebih stabil dibandingkan metode iterasi. Tapi jika orde-nya lebih dari 100, disarankan memilih
metode iterasi seperti iterasi Gauss-Seidel, atau menggunakan metode SOR yang terbukti lebih
efisien dibanding Gauss-Seidel. Jika matrik A bersifat positive definite, metode Court Factoriza-
tion adalah pilihan yg paling tepat karena metode ini sangat efisien sehingga bisa menghemat
memori komputer.
7.5.3 Contoh kedua
Diketahui persamaan poisson sebagai berikut

2
u
∂x
2
(x, y) +

2
u
∂y
2
(x, y) = xe
y
, 0 < x < 2, 0 < y < 1,
7.6. PDP PARABOLIK 133
dengan syarat batas
u(0, y) = 0, u(2, y) = 2e
y
, 0 ≤ y ≤ 1,
u(x, 0) = x, u(x, 1) = ex, 0 ≤ x ≤ 2,
Solusi numerik dihitung dengan pendekatan finite-difference gauss-seidel dimana batas toler-
ansi kesalahan ditentukan

w
(l)
ij
−w
(l−1)
ij

≤ 10
−10
7.6 PDP parabolik
PDP parabolik yang kita pelajari disini adalah persamaan difusi
∂u
∂t
(x, t) = α
2

2
u
∂x
2
(x, t), 0 < x < ℓ, t > 0, (7.42)
yang berlaku pada kondisi
u(0, t) = u(ℓ, t) = 0, t > 0,
dan
u(x, 0) = f(x), 0 ≤ x ≤ ℓ,
dimana t dalam dimensi waktu, sementara x berdimensi jarak.
7.6.1 Metode Forward-difference
Solusi numerik diperoleh menggunakan forward-difference
2
dengan langkah-langkah yang
hampir mirip seperti yang telah dibahas pada PDP eliptik. Langkah pertama adalah menen-
tukan sebuah angka m > 0, yang dengannya, nilai h ditentukan oleh rumus h = ℓ/m. Langkah
kedua adalah menentukan ukuran time-step k dimana k > 0. Adapun mesh points ditentukan
oleh (x
i
, t
j
), dimana x
i
= ih, dengan i = 0, 1, 2, ..., m, dan t
j
= jk dengan j = 0, 1, ....
Berdasarkan deret Taylor, turunan pertama persamaan (7.42) terhadap t, dengan time step
k, adalah
∂u
∂t
(x
i
, t
j
) =
u(x
i
, t
j
+ k) −u(x
i
, t
j
)
k

k
2

2
u
∂t
2
(x
i
, µ
j
) (7.43)
Namun, sebagaimana pendekatan finite-difference pada umumnya, pendekatan forward-difference
selalu mengabaikan suku terakhir, sehingga persamaan di atas ditulis seperti ini
∂u
∂t
(x
i
, t
j
) =
u(x
i
, t
j
+ k) −u(x
i
, t
j
)
k
(7.44)
2
Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference, yaitu finite difference, for-
ward difference, centered difference dan backward difference. Setiap istilah punya arti yang berbeda.
134 BAB 7. DIFERENSIAL NUMERIK
Sementara itu, turunan kedua persamaan (7.42) terhadap x berdasarkan deret Taylor adalah

2
u
∂x
2
(x
i
, t
j
) =
u(x
i
+ h, t
J
) −2u(x
i
, t
j
) + u(x
i
−h, t
J
)
h
2

h
2
12

4
u
∂x
4

i
, t
j
) (7.45)
Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut

2
u
∂x
2
(x
i
, t
j
) =
u(x
i
+ h, t
j
) −2u(x
i
, t
j
) + u(x
i
−h, t
j
)
h
2
(7.46)
Kemudian persamaan (7.44) dan (7.46) disubstitusi kedalam persamaan (7.42), maka diperoleh
u(x
i
, t
j
+ k) −u(x
i
, t
j
)
k
= α
2
u(x
i
+ h, t
j
) −2u(x
i
, t
j
) + u(x
i
−h, t
j
)
h
2
(7.47)
atau dapat dinyatakan dalam notasi w
w
i,j+1
−w
i,j
k
−α
2
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
= 0 (7.48)
Dari sini diperoleh solusi untuk w
i,j+1
, yaitu
w
i,j+1
=

1 −

2
k
h
2

w
i,j
+ α
2
k
h
2
(w
i+1,j
+ w
i−1,j
) (7.49)
jika
λ =
α
2
k
h
2
(7.50)
maka
(1 −2λ) w
i,j
+ λw
i+1,j
+ λw
i−1,j
= w
i,j+1
(7.51)
7.6.2 Contoh ketiga: One dimensional heat equation
Misalnya diketahui, distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang
logam memenuhi persamaan berikut
∂u
∂t
(x, t) −

2
u
∂x
2
(x, t) = 0, 0 < x < 1 0 ≤ t,
dengan syarat batas
u(0, t) = u(1, t) = 0, 0 < t,
dan kondisi mula-mula
u(x, 0) = sin(πx), 0 ≤ x ≤ 1,
Solusi analitik atas masalah ini adalah
u(x, t) = e
−π
2
t
sin(πx)
Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.9. Sementara
7.6. PDP PARABOLIK 135
h=0.1
Gambar 7.9: Sebatang logamdengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. Jarak
antar titik ditentukan sebesar h = 0, 1.
Gambar 7.10 melengkapi Gambar 7.9, dimana perubahan waktu tercatat setiap interval k =
0, 0005. Sepintas Gambar 7.10 terlihat seolah-olah obyek yang mau disimulasikan berbentuk
2-dimensi, padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam.
1
t
x 0
k=0.0005
0.0.....
h=0.1
Gambar 7.10: Interval mesh-points dengan jarak h = 0, 1 dalam interval waktu k = 0, 0005
Selanjutnya, Gambar 7.11 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung
kiri dan angka 1 di ujung kanan pada sumbu horisontal x. Diantara batas-batas itu terdapat
sebaran titik simulasi berjarak h = 0, 1. Sementara, sumbu vertikal menunjukan perubahan
dari waktu ke waktu dengan interval k = 0, 0005. Karena α = 1, h = 0, 1 dan k = 0, 0005 maka
1
t
x 0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.0005
0.0010
0.0015
0.0.....
Gambar 7.11: Posisi mesh-points. Arah x menunjukkan posisi titik-titik yang dihitung dengan forward-
difference, sedangkan arah t menunjukkan perubahan waktu yg makin meningkat
λ dapat dihitung dengan persamaan (7.50)
λ =
α
2
k
h
2
=
0, 1
0, 0005
2
= 0, 05
136 BAB 7. DIFERENSIAL NUMERIK
Berdasarkan persamaan (7.51), sistem persamaan linear dapat disusun sebagai berikut
0, 9w
1,j
+ 0, 5w
2,j
= w
1,j+1
−0, 5w
0,j
0, 9w
2,j
+ 0, 5w
3,j
+ 0, 5w
1,j
= w
2,j+1
0, 9w
3,j
+ 0, 5w
4,j
+ 0, 5w
2,j
= w
3,j+1
0, 9w
4,j
+ 0, 5w
5,j
+ 0, 5w
3,j
= w
4,j+1
0, 9w
5,j
+ 0, 5w
6,j
+ 0, 5w
4,j
= w
5,j+1
0, 9w
6,j
+ 0, 5w
7,j
+ 0, 5w
5,j
= w
6,j+1
0, 9w
7,j
+ 0, 5w
8,j
+ 0, 5w
6,j
= w
7,j+1
0, 9w
8,j
+ 0, 5w
9,j
+ 0, 5w
7,j
= w
8,j+1
0, 9w
9,j
+ 0, 5w
8,j
= w
9,j+1
−0, 5w
10,j
Syarat batas menetapkan bahwa w
0,j
= w
10,j
= 0. Lalu dinyatakan dalam bentuk operasi
matrik

0, 9 0, 5 0 0 0 0 0 0 0
0, 5 0, 9 0, 5 0 0 0 0 0 0
0 0, 5 0, 9 0, 5 0 0 0 0 0
0 0 0, 5 0, 9 0, 5 0 0 0 0
0 0 0 0, 5 0, 9 0, 5 0 0 0
0 0 0 0 0, 5 0, 9 0, 5 0 0
0 0 0 0 0 0, 5 0, 9 0, 5 0
0 0 0 0 0 0 0, 5 0, 9 0, 5
0 0 0 0 0 0 0 0, 5 0, 9
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

w
1,j
w
2,j
w
3,j
w
4,j
w
5,j
w
6,j
w
7,j
w
8,j
w
9,j
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

w
1,j+1
w
2,j+1
w
3,j+1
w
4,j+1
w
5,j+1
w
6,j+1
w
7,j+1
w
8,j+1
w
9,j+1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(7.52)
Persamaan matriks di atas dapat direpresentasikan sebagai
Aw
(j)
= w
(j+1)
(7.53)
Proses perhitungan dimulai dari j = 0. Persamaan matrik menjadi

0, 9 0, 5 0 0 0 0 0 0 0
0, 5 0, 9 0, 5 0 0 0 0 0 0
0 0, 5 0, 9 0, 5 0 0 0 0 0
0 0 0, 5 0, 9 0, 5 0 0 0 0
0 0 0 0, 5 0, 9 0, 5 0 0 0
0 0 0 0 0, 5 0, 9 0, 5 0 0
0 0 0 0 0 0, 5 0, 9 0, 5 0
0 0 0 0 0 0 0, 5 0, 9 0, 5
0 0 0 0 0 0 0 0, 5 0, 9
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

w
1,0
w
2,0
w
3,0
w
4,0
w
5,0
w
6,0
w
7,0
w
8,0
w
9,0
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

w
1,1
w
2,1
w
3,1
w
4,1
w
5,1
w
6,1
w
7,1
w
8,1
w
9,1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
7.6. PDP PARABOLIK 137
Nilai w
1,0
, w
2,0
, ..., w
9,0
sudah ditentukan oleh kondisi awal, yaitu
u(x, 0) = sin πx, 0 ≤ x ≤ 1,
Jika h = 0, 1, maka x
1
= h = 0, 1; x
2
= 2h = 0, 2; x
3
= 3h = 0, 3;....; x
9
= 9h = 0, 9.
Lalu masing-masing dimasukkan ke sin πx untuk mendapatkan nilai u(x, 0). Kemudian notasi
u(x, 0) diganti dengan notasi w yang selanjutnya dinyatakan sebagai berikut: w
1,0
= u(x
1
, 0) =
u(0.1, 0) = sin π(0.1) = 0, 3090. Dengan cara yang sama: w
2,0
= 0, 5878; w
3,0
= 0, 8090; w
4,0
=
0, 9511; w
5,0
= 1, 0000; w
6,0
= 0, 9511; w
7,0
= 0, 8090; w
8,0
= 0, 5878; dan w
9,0
= 0, 3090. Maka
persamaan matriks menjadi

0, 9 0, 5 0 0 0 0 0 0 0
0, 5 0, 9 0, 5 0 0 0 0 0 0
0 0, 5 0, 9 0, 5 0 0 0 0 0
0 0 0, 5 0, 9 0, 5 0 0 0 0
0 0 0 0, 5 0, 9 0, 5 0 0 0
0 0 0 0 0, 5 0, 9 0, 5 0 0
0 0 0 0 0 0, 5 0, 9 0, 5 0
0 0 0 0 0 0 0, 5 0, 9 0, 5
0 0 0 0 0 0 0 0, 5 0, 9
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
0, 9511
0, 8090
0, 5878
0, 3090
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

w
1,1
w
2,1
w
3,1
w
4,1
w
5,1
w
6,1
w
7,1
w
8,1
w
9,1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Ini hanya perkalian matrik biasa
3
. Hasil perkalian itu adalah: w
1,1
= 0, 3075; w
2,1
= 0, 5849;
w
3,1
= 0, 8051; w
4,1
= 0, 9464; w
5,1
= 0, 9951; w
6,1
= 0, 9464; w
7,1
= 0, 8051; w
8,1
= 0, 5849; dan
w
9,1
= 0, 3075. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points
setelah selang waktu 0, 0005 detik
4
.
Selanjutnya, hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendap-
atkan w
x,2

0, 9 0, 5 0 0 0 0 0 0 0
0, 5 0, 9 0, 5 0 0 0 0 0 0
0 0, 5 0, 9 0, 5 0 0 0 0 0
0 0 0, 5 0, 9 0, 5 0 0 0 0
0 0 0 0, 5 0, 9 0, 5 0 0 0
0 0 0 0 0, 5 0, 9 0, 5 0 0
0 0 0 0 0 0, 5 0, 9 0, 5 0
0 0 0 0 0 0 0, 5 0, 9 0, 5
0 0 0 0 0 0 0 0, 5 0, 9
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

0, 3075
0, 5849
0, 8051
0, 9464
0, 9951
0, 9464
0, 8051
0, 5849
0, 3075
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

w
1,2
w
2,2
w
3,2
w
4,2
w
5,2
w
6,2
w
7,2
w
8,2
w
9,2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum. Jika
waktu maksimum adalah T = 0, 5 detik, berarti mesti dilakukan 1000 kali iterasi
5
. Untuk
3
Topik tentang perkalian matrik sudah diulas pada Bab 1
4
karena step time k-nya sudah ditentukan sebesar 0, 0005
5
cara menghitung jumlah iterasi: T/k = 0, 5/0, 0005 = 1000
138 BAB 7. DIFERENSIAL NUMERIK
sampai 1000 kali, maka indeks j bergerak dari 1 sampai 1000. Dengan bantuan script Matlab,
proses perhitungan menjadi sangat singkat.
7.6.2.1 Script Forward-Difference
Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini, dimana h = 0, 1 dan
k = 0, 0005
1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.0005;
7 h=0.1;
8 lambda=(alpha^2)
*
k/(h^2);
9
10 % Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi
*
i
*
0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n
17 w0(i,1)=suhu(i);
18 end
19
20 A=[ (1-2
*
lambda) lambda 0 0 0 0 0 0 0;
21 lambda (1-2
*
lambda) lambda 0 0 0 0 0 0;
22 0 lambda (1-2
*
lambda) lambda 0 0 0 0 0 ;
23 0 0 lambda (1-2
*
lambda) lambda 0 0 0 0;
24 0 0 0 lambda (1-2
*
lambda) lambda 0 0 0;
25 0 0 0 0 lambda (1-2
*
lambda) lambda 0 0;
26 0 0 0 0 0 lambda (1-2
*
lambda) lambda 0 ;
27 0 0 0 0 0 0 lambda (1-2
*
lambda) lambda ;
28 0 0 0 0 0 0 0 lambda (1-2
*
lambda) ];
29
30 iterasi=1000;
31 for k=1:iterasi
32 disp(’perkalian matriks’)
33 %======================================
34 for i=1:n
35 w(i,1)=0.0;
36 end
37
38 for i=1:n
39 for j=1:n
40 w(i,1)=w(i,1)+A(i,j)
*
w0(j,1);
41 end
42 end
43 %====================================
44 w
45 w0=w;
46 end
7.6. PDP PARABOLIK 139
Tabel 7.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali. Tabel terse-
but juga menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0, 0005 dan
k = 0, 01. Tabel ini menginformasikan satu hal penting, yaitu pada saat interval k = 0, 0005,
forward-difference berhasil mencapai konvergensi yang sangat baik. Namun pada saat interval
k = 0.01, dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0, 5 detik, ter-
lihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!),
dan ini dianggap bermasalah. Masalah ini bisa diatasi dengan metode backward-difference.
Tabel 7.4: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. Kolom ke-2 adalah
solusi analitik/exact, kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. Kolom ke-4 dan
ke-6 adalah selisih antara solusi analitik dan numerik
w
i,1000
w
i,50
x
i
u(x
i
, 0.5) k = 0, 0005 |u(x
i
, 0.5) −w
i,1000
| k = 0, 01 |u(x
i
, 0.5) −w
i,50
|
0,0 0 0 0
0,1 0,00222241 0,00228652 6, 411 ×10
−5
8, 19876 ×10
7
8, 199 ×10
7
0,2 0,00422728 0,00434922 1, 219 ×10
−4
−1, 55719 ×10
8
1, 557 ×10
8
0,3 0,00581836 0,00598619 1, 678 ×10
−4
2, 13833 ×10
8
2, 138 ×10
8
0,4 0,00683989 0,00703719 1, 973 ×10
−4
−2, 50642 ×10
8
2, 506 ×10
8
0,5 0,00719188 0,00739934 2, 075 ×10
−4
2, 62685 ×10
8
2, 627 ×10
8
0,6 0,00683989 0,00703719 1, 973 ×10
−4
−2, 49015 ×10
8
2, 490 ×10
8
0,7 0,00581836 0,00598619 1, 678 ×10
−4
2, 11200 ×10
8
2, 112 ×10
8
0,8 0,00422728 0,00434922 1, 219 ×10
−4
−1, 53086 ×10
8
1, 531 ×10
8
0,9 0,00222241 0,00228652 6, 511 ×10
−5
8, 03604 ×10
7
8, 036 ×10
7
1,0 0 0 0
7.6.3 Metode Backward-difference
Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference, kita akan dapatkan formula
forward-difference adalah sebagai berikut (lihat persamaan (7.48))
w
i,j+1
−w
i,j
k
−α
2
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
= 0
Sekarang, dengan sedikit modifikasi, formula backward-difference dinyatakan sebagai
w
i,j
−w
i,j−1
k
−α
2
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
= 0 (7.54)
jika ditetapkan
λ =
α
2
k
h
2
maka backward-difference disederhanakan menjadi
(1 + 2λ) w
i,j
−λw
i+1,j
−λw
i−1,j
= w
i,j−1
(7.55)
140 BAB 7. DIFERENSIAL NUMERIK
coba sejenak anda bandingkan dengan formula forward-difference dalam λ sebagaimana diny-
atakan oleh persamaan (7.51)
(1 −2λ) w
i,j
+ λw
i+1,j
+ λw
i−1,j
= w
i,j+1
O.K., mari kita kembali ke contoh soal kita yang tadi, dimana ada perubahan nilai k yang
semula k = 0, 0005 menjadi k = 0, 01. Sementara α dan h nilainya tetap. Maka λ dapat
dihitung dengan persamaan (7.50) kembali
λ =
α
2
k
h
2
=
0, 1
0, 01
2
= 1
Berdasarkan persamaan (7.55), sistem persamaan linear mengalami sedikit perubahan
3w
1,j
−1w
2,j
= w
1,j−1
+ 1w
0,j
3w
2,j
−1w
3,j
−1w
1,j
= w
2,j−1
3w
3,j
−1w
4,j
−1w
2,j
= w
3,j−1
3w
4,j
−1w
5,j
−1w
3,j
= w
4,j−1
3w
5,j
−1w
6,j
−1w
4,j
= w
5,j−1
3w
6,j
−1w
7,j
−1w
5,j
= w
6,j−1
3w
7,j
−1w
8,j
−1w
6,j
= w
7,j−1
3w
8,j
−1w
9,j
−1w
7,j
= w
8,j−1
3w
9,j
−1w
8,j
= w
9,j−1
+ 1w
10,j
Syarat batas masih sama, yaitu w
0,j
= w
10,j
= 0. Lalu jika dinyatakan dalam bentuk operasi
matrik

3 −1 0 0 0 0 0 0 0
−1 3 −1 0 0 0 0 0 0
0 −1 3 −1 0 0 0 0 0
0 0 −1 3 −1 0 0 0 0
0 0 0 −1 3 −1 0 0 0
0 0 0 0 −1 3 −1 0 0
0 0 0 0 0 −1 3 −1 0
0 0 0 0 0 0 −1 3 −1
0 0 0 0 0 0 0 −1 3
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

w
1,j
w
2,j
w
3,j
w
4,j
w
5,j
w
6,j
w
7,j
w
8,j
w
9,j
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

w
1,j−1
w
2,j−1
w
3,j−1
w
4,j−1
w
5,j−1
w
6,j−1
w
7,j−1
w
8,j−1
w
9,j−1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Persamaan matriks di atas dapat direpresentasikan sebagai
Aw
(j)
= w
(j−1)
(7.56)
7.6. PDP PARABOLIK 141
Perhitungan dimulai dari iterasi pertama, dimana j = 1

3 −1 0 0 0 0 0 0 0
−1 3 −1 0 0 0 0 0 0
0 −1 3 −1 0 0 0 0 0
0 0 −1 3 −1 0 0 0 0
0 0 0 −1 3 −1 0 0 0
0 0 0 0 −1 3 −1 0 0
0 0 0 0 0 −1 3 −1 0
0 0 0 0 0 0 −1 3 −1
0 0 0 0 0 0 0 −1 3
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

w
1,1
w
2,1
w
3,1
w
4,1
w
5,1
w
6,1
w
7,1
w
8,1
w
9,1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

w
1,0
w
2,0
w
3,0
w
4,0
w
5,0
w
6,0
w
7,0
w
8,0
w
9,0
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Dengan memasukan kondisi awal, ruas kanan menjadi

3 −1 0 0 0 0 0 0 0
−1 3 −1 0 0 0 0 0 0
0 −1 3 −1 0 0 0 0 0
0 0 −1 3 −1 0 0 0 0
0 0 0 −1 3 −1 0 0 0
0 0 0 0 −1 3 −1 0 0
0 0 0 0 0 −1 3 −1 0
0 0 0 0 0 0 −1 3 −1
0 0 0 0 0 0 0 −1 3
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

w
1,1
w
2,1
w
3,1
w
4,1
w
5,1
w
6,1
w
7,1
w
8,1
w
9,1
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

0, 3090
0, 5878
0, 8090
0, 9511
1, 0000
0, 9511
0, 8090
0, 5878
0, 3090
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Berbeda dengan operasi matrik forward difference, operasi matrik backward difference ini bukan
perkalian matrik biasa. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss
6
.
Untuk jumlah iterasi hingga j = 50, perhitungannya dilakukan dalam script Matlab.
7.6.3.1 Script Backward-Difference dengan Eliminasi Gauss
1 clear all
2 clc
3
4 n=9;
5 alpha=1.0;
6 k=0.01;
7 h=0.1;
8 lambda=(alpha^2)
*
k/(h^2);
9
10 %Kondisi awal
11 for i=1:n
12 suhu(i)=sin(pi
*
i
*
0.1);
13 end
14
15 %Mengcopy kondisi awal ke w
16 for i=1:n
6
Uraian tentang metode Eliminasi Gauss tersedia di Bab 2
142 BAB 7. DIFERENSIAL NUMERIK
17 w0(i,1)=suhu(i);
18 end
19
20 AA=[ (1+2
*
lambda) -lambda 0 0 0 0 0 0 0;
21 -lambda (1+2
*
lambda) -lambda 0 0 0 0 0 0;
22 0 -lambda (1+2
*
lambda) -lambda 0 0 0 0 0 ;
23 0 0 -lambda (1+2
*
lambda) -lambda 0 0 0 0;
24 0 0 0 -lambda (1+2
*
lambda) -lambda 0 0 0;
25 0 0 0 0 -lambda (1+2
*
lambda) -lambda 0 0;
26 0 0 0 0 0 -lambda (1+2
*
lambda) -lambda 0 ;
27 0 0 0 0 0 0 -lambda (1+2
*
lambda) -lambda ;
28 0 0 0 0 0 0 0 -lambda (1+2
*
lambda) ];
29
30 iterasi=50;
31 for i=1:iterasi
32 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
33 A=AA; %Matriks Backward Difference dicopy supaya fix
34
35 for i=1:n
36 A(i,n+1)=w0(i,1);
37 end
38
39 %---------Proses Triangularisasi-----------
40 for j=1:(n-1)
41
42 %----mulai proses pivot---
43 if (A(j,j)==0)
44 for p=1:n+1
45 u=A(j,p);
46 v=A(j+1,p);
47 A(j+1,p)=u;
48 A(j,p)=v;
49 end
50 end
51 %----akhir proses pivot---
52 jj=j+1;
53 for i=jj:n
54 m=A(i,j)/A(j,j);
55 for k=1:(n+1)
56 A(i,k)=A(i,k)-(m
*
A(j,k));
57 end
58 end
59 end
60 %-------------------------------------------
61
62 %------Proses Substitusi mundur-------------
63 w(n,1)=A(n,n+1)/A(n,n);
64
65 for i=n-1:-1:1
66 S=0;
67 for j=n:-1:i+1
68 S=S+A(i,j)
*
w(j,1);
69 end
70 w(i,1)=(A(i,n+1)-S)/A(i,i);
71 end
72 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
73 w0=w;
74 end
75 w
7.6. PDP PARABOLIK 143
Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode
forward-difference, ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi
analitik, sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut
Tabel 7.5: Hasil simulasi distribusi panas bergantung waktu dalam1-dimensi dengan metode backward-
difference dimana k = 0, 01
x
i
u(x
i
, 0.5) w
i,50
|u(x
i
, 0.5) −w
i,50
|
0,0 0 0
0,1 0,00222241 0,00289802 6, 756 ×10
−4
0,2 0,00422728 0,00551236 1, 285 ×10
−3
0,3 0,00581836 0,00758711 1, 769 ×10
−3
0,4 0,00683989 0,00891918 2, 079 ×10
−3
0,5 0,00719188 0,00937818 2, 186 ×10
−3
0,6 0,00683989 0,00891918 2, 079 ×10
−3
0,7 0,00581836 0,00758711 1, 769 ×10
−3
0,8 0,00422728 0,00551236 1, 285 ×10
−3
0,9 0,00222241 0,00289802 6, 756 ×10
−4
1,0 0 0
7.6.4 Metode Crank-Nicolson
Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari
dua metode sebelumnya. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode
Forward-Difference dan metode Backward-Difference. Mari kita ulang lagi pelajaran yang sudah
kita lewati. Formula Forward-Difference adalah
w
i,j+1
−w
i,j
k
−α
2
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
= 0
sedangkan Backward-Difference adalah
w
i,j
−w
i,j−1
k
−α
2
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
= 0
Ketika Backward-Difference berada pada iterasi ke j + 1, maka
w
i,j+1
−w
i,j
k
−α
2
w
i+1,j+1
−2w
i,j+1
+ w
i−1,j+1
h
2
= 0 (7.57)
Jika formula ini dijumlahkan dengan formula forward-difference, kemudian hasilnya dibagi 2,
maka akan diperoleh
w
i,j+1
−w
i,j
k

α
2
2
¸
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
+
w
i+1,j+1
−2w
i,j+1
+ w
i−1,j+1
h
2

= 0 (7.58)
144 BAB 7. DIFERENSIAL NUMERIK
inilah formula Crank-Nicolson. Adapun λ tetap dinyatakan sebagai
λ =
α
2
k
h
2
maka
w
i,j+1
−w
i,j

λ
2
[w
i+1,j
−2w
i,j
+ w
i−1,j
+ w
i+1,j+1
−2w
i,j+1
+ w
i−1,j+1
] = 0
w
i,j+1
−w
i,j

λ
2
w
i+1,j
+ λw
i,j

λ
2
w
i−1,j

λ
2
w
i+1,j+1
+ λw
i,j+1

λ
2
w
i−1,j+1
= 0

λ
2
w
i−1,j+1
+ w
i,j+1
+ λw
i,j+1

λ
2
w
i+1,j+1

λ
2
w
i−1,j
−w
i,j
+ λw
i,j

λ
2
w
i+1,j
= 0

λ
2
w
i−1,j+1
+ w
i,j+1
+ λw
i,j+1

λ
2
w
i+1,j+1
=
λ
2
w
i−1,j
+ w
i,j
−λw
i,j
+
λ
2
w
i+1,j
dan akhirnya

λ
2
w
i−1,j+1
+ (1 + λ)w
i,j+1

λ
2
w
i+1,j+1
=
λ
2
w
i−1,j
+ (1 −λ)w
i,j
+
λ
2
w
i+1,j
(7.59)
Dalam bentuk persamaan matrik dinyatakan sebagai
Aw
(j+1)
= Bw
(j)
, untuk j = 0, 1, 2, ... (7.60)
Dengan menggunakan contoh soal yang sama, yang sebelumnya telah diselesaikan dengan
metode Forward-Difference dan Backward-Difference, maka penyelesaian soal tersebut dengan
metode Crank-Nicolson juga akan didemonstrasikan di sini. Dengan nilai k = 0, 01; h = 0, 1;
λ = 1 dan berdasarkan persamaan (7.59) diperoleh
−0, 5w
i−1,j+1
+ 2w
i,j+1
−0, 5w
i+1,j+1
= 0, 5w
i−1,j
+ 0w
i,j
+ 0, 5w
i+1,j
Script Matlab untuk menyelesaikan persamaan ini adalah
1 clear all
2 clc
3
4 n=9;
5 iterasi=50;
6 alpha=1.0;
7 k=0.01;
8 h=0.1;
9 lambda=(alpha^2)
*
k/(h^2);
10
11 %Kondisi awal
12 for i=1:n
13 suhu(i)=sin(pi
*
i
*
0.1);
14 end
15
16 %Mengcopy kondisi awal ke w
17 for i=1:n
18 w0(i,1)=suhu(i);
7.6. PDP PARABOLIK 145
19 end
20
21 AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0;
22 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0;
23 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0;
24 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0;
25 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0;
26 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0;
27 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0;
28 0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2;
29 0 0 0 0 0 0 0 -lambda/2 (1+lambda)];
30
31 B=[(1-lambda) lambda/2 0 0 0 0 0 0 0;
32 lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0;
33 0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0;
34 0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0;
35 0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0;
36 0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0;
37 0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0;
38 0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2;
39 0 0 0 0 0 0 0 lambda/2 (1-lambda)];
40
41 iterasi=50;
42 for iter=1:iterasi
43
44 %===perkalian matriks===================
45 for i=1:n
46 b(i,1)=0.0;
47 end
48 for i=1:n
49 for j=1:n
50 b(i,1)=b(i,1)+B(i,j)
*
w0(j,1);
51 end
52 end
53 %======================================
54
55 %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&&
56 A=AA; %Matriks Backward Difference dicopy supaya fix
57
58 for i=1:n
59 A(i,n+1)=b(i,1);
60 end
61
62 %---------Proses Triangularisasi-----------
63 for j=1:(n-1)
64
65 %----mulai proses pivot---
66 if (A(j,j)==0)
67 for p=1:n+1
68 u=A(j,p);
69 v=A(j+1,p);
70 A(j+1,p)=u;
71 A(j,p)=v;
72 end
73 end
74 %----akhir proses pivot---
75 jj=j+1;
76 for i=jj:n
77 m=A(i,j)/A(j,j);
146 BAB 7. DIFERENSIAL NUMERIK
78 for k=1:(n+1)
79 A(i,k)=A(i,k)-(m
*
A(j,k));
80 end
81 end
82 end
83 %-------------------------------------------
84
85 %------Proses Substitusi mundur-------------
86 w(n,1)=A(n,n+1)/A(n,n);
87
88 for i=n-1:-1:1
89 S=0;
90 for j=n:-1:i+1
91 S=S+A(i,j)
*
w(j,1);
92 end
93 w(i,1)=(A(i,n+1)-S)/A(i,i);
94 end
95 %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
96 w0=w;
97 end
98 iter
99 w
Tabel 7.6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan
metode backward-difference dan Crank-Nicolson
BD CN Backward-Diff Crank-Nicolson
x
i
u(x
i
, 0.5) w
i,50
w
i,50
|u(x
i
, 0.5) −w
i,50
| |u(x
i
, 0.5) −w
i,50
|
0,0 0 0 0
0,1 0,00222241 0,00289802 0,00230512 6, 756 ×10
−4
8, 271 ×10
−5
0,2 0,00422728 0,00551236 0,00438461 1, 285 ×10
−3
1, 573 ×10
−4
0,3 0,00581836 0,00758711 0,00603489 1, 769 ×10
−3
2, 165 ×10
−4
0,4 0,00683989 0,00891918 0,00709444 2, 079 ×10
−3
2, 546 ×10
−4
0,5 0,00719188 0,00937818 0,00745954 2, 186 ×10
−3
2, 677 ×10
−4
0,6 0,00683989 0,00891918 0,00709444 2, 079 ×10
−3
2, 546 ×10
−4
0,7 0,00581836 0,00758711 0,00603489 1, 769 ×10
−3
2, 165 ×10
−4
0,8 0,00422728 0,00551236 0,00438461 1, 285 ×10
−3
1, 573 ×10
−4
0,9 0,00222241 0,00289802 0,00230512 6, 756 ×10
−4
8, 271 ×10
−5
1,0 0 0 0
Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih ke-
cil dibandingkan metode Backward-Difference (kolom ke-5). Ini menunjukkan tingkat akurasi
Crank-Nicolson lebih tinggi dibandingkan Backward-Difference.
7.7 PDP Hiperbolik
Pada bagian ini, kita akan membahas solusi numerik untuk persamaan gelombang yang meru-
pakan salah satu contoh PDP hiperbolik. Persamaan gelombang dinyatakan dalam persamaan
diferensial sebagai berikut

2
u
∂t
2
(x, t) −α
2

2
u
∂x
2
(x, t) = 0, 0 < x < ℓ, t > 0 (7.61)
7.7. PDP HIPERBOLIK 147
dengan suatu kondisi
u(0, t) = u(ℓ, t) = 0, untuk t > 0,
u(x, 0) = f (x) , dan
∂u
∂t
(x, 0) = g (x) , untuk 0 ≤ x ≤ ℓ
dimana α adalah konstanta. Kita tentukan ukuran time-step sebesar k, jarak tiap mesh point
adalah h.
x
i
= ih dan t
j
= jk
dengan i = 0, 1, ..., m dan j = 0, 1, .... Pada bagian interior, posisi mesh points ditentukan oleh
koordinat (x
i
, t
j
), karenanya persamaan gelombang ditulis menjadi

2
u
∂t
2
(x
i
, t
j
) −α
2

2
u
∂x
2
(x
i
, t
j
) = 0 (7.62)
Formula centered-difference digunakan sebagai pendekatan numerik persamaan gelombang pa-
da tiap-tiap suku. Untuk turunan kedua terhadap t

2
u
∂t
2
(x
i
, t
j
) =
u(x
i
, t
j+1
) −2u(x
i
, t
j
) + u(x
i
, t
j−1
)
k
2
dan turunan kedua terhadap x

2
u
∂x
2
(x
i
, t
j
) =
u(x
i+1
, t
j
) −2u(x
i
, t
j
) + u(x
i−1
, t
j
)
h
2
Dengan mensubtitusikan kedua persamaan di atas kedalam persamaan (7.62)
u(x
i
, t
j+1
) −2u(x
i
, t
j
) + u(x
i
, t
j−1
)
k
2
−α
2
u(x
i+1
, t
j
) −2u(x
i
, t
j
) + u(x
i−1
, t
j
)
h
2
= 0
maka dapat diturunkan formula finite-difference untuk PDP hiperbolik sebagai berikut
w
i,j+1
−2w
i,j
+ w
i,j−1
k
2
−α
2
w
i+1,j
−2w
i,j
+ w
i−1,j
h
2
= 0 (7.63)
Jika λ = αk/h, maka persamaan ini dapat ditulis kembali
w
i,j+1
−2w
i,j
+ w
i,j−1
−λ
2
w
i+1,j
+ 2λ
2
w
i,j
−λ
2
w
i−1,j
= 0
sehingga w
i,j+1
selaku solusi numerik dapat dihitung dengan merubah sedikit suku-suku pada
formula di atas
w
i,j+1
= 2

1 −λ
2

w
i,j
+ λ
2
(w
i+1,j
+ w
i−1,j
) −w
i,j−1
(7.64)
dengan i = 1, 2, ..., m−1 dan j = 1, 2, .... Kondisi syarat batas ditentukan sebagai berikut
w
0,j
= w
m,j
= 0, untuk j = 1, 2, 3, ... (7.65)
148 BAB 7. DIFERENSIAL NUMERIK
sementara kondisi awal dinyatakan
w
i,0
= f (x
i
) , untuk i = 1, 2, ..., m−1 (7.66)
Berbeda dengan PDP eliptik dan PDP parabolik, pada PDP hiperbolik, untuk menghitung
mesh point (j + 1), diperlukan informasi mesh point (j) dan (j − 1). Hal ini sedikit menim-
bulkan masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh
persamaan (7.66) sementara nilai untuk j = 1 untuk menghitung w
i,2
, harus diperoleh lewat
kondisi kecepatan awal
∂u
∂t
(x, 0) = g (x) , 0 ≤ x ≤ ℓ (7.67)
Salah satu cara pemecahan dengan pendekatan forward-difference adalah
∂u
∂t
(x
i
, 0) =
u(x
i
, t
1
) −u(x
i
, 0)
k
(7.68)
u(x
i
, t
1
) = u(x
i
, 0) + k
∂u
∂t
(x
i
, 0)
= u(x
i
, 0) + kg (x
i
)
konsekuensinya
w
i,1
= w
i,0
+ kg(x
i
), untuk i = 1, 2, ..., m−1 (7.69)
7.7.1 Contoh
Tentukan solusi dari persamaan gelombang berikut ini

2
u
∂t
2


2
u
∂x
2
= 0, 0 < x < 1, 0 < t
dengan syarat batas
u(0, t) = u(ℓ, t) = 0, untuk 0 < t,
dan kondisi mula-mula
u(x, 0) = sin πx, 0 ≤ x ≤ 1
∂u
∂t
= 0, 0 ≤ x ≤ 1
menggunakan metode finite-difference, dengan m = 4, N = 4, dan T = 1, 0. Bandingkan hasil
yang diperoleh dengan solusi analitik u(x, t) = cos πt sin πx.
Jika persamaan gelombang pada contoh soal ini dibandingkan dengan persamaan (7.61),
maka diketahui nilai α = 1 dan ℓ = 1. Dari sini, nilai h dapat dihitung, yaitu h = ℓ/m = 1/4 =
0, 25. Sementara nilai k diperoleh dari k = T/N = 1, 0/4 = 0, 25. Dengan diketahuinya nilai α,
h, dan k, maka λ dapat dihitung, yaitu λ = αk/h = 1. Selanjutnya, nilai λ ini dimasukkan ke
7.8. LATIHAN 149
persamaan (7.64)
w
i,j+1
= 2

1 −λ
2

w
i,j
+ λ
2
(w
i+1,j
+ w
i−1,j
) −w
i,j−1
w
i,j+1
= 2

1 −1
2

w
i,j
+ 1
2
(w
i+1,j
+ w
i−1,j
) −w
i,j−1
w
i,j+1
= 0w
i,j
+ (w
i+1,j
+ w
i−1,j
) −w
i,j−1
dimana i bergerak dari 0 sampai m, atau i = 0, 1, 2, 3, 4. Sementara j, bergerak dari 0 sampai
T/k = 4, atau j = 0, 1, 2, 3, 4.
Catatan kuliah baru sampai sini!!
7.8 Latihan
1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference

2
u
∂x
2
+

2
u
∂y
2
= (x
2
+ y
2
)e
xy
, 0 < x < 2, 0 < y < 1;
gunakan h = 0, 2 dan k = 0, 1
u(0, y) = 1, u(2, y) = e
2y
, 0 ≤ y ≤ 1
u(x, 0) = 1, u(x, 1) = e
x
, 0 ≤ x ≤ 2
Bandingkan hasilnya dengan solusi analitik u(x, t) = e
xy
.
2. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik
menggunakan metode Finite Difference Backward-Difference
∂u
∂t

1
16

2
u
∂x
2
= 0, 0 < x < 1, 0 < t;
u(0, t) = u(1, t) = 0, 0 < t;
u(x, 0) = 2 sin 2πx, 0 ≤ x ≤ 1;
gunakan m = 3, T = 0, 1, dan N = 2. Bandingkan hasilnya dengan solusi analitik
u(x, t) = 2e
−(π
2
/4)t
sin 2πx
u(x
i
, t
1
) = u(x
i
, 0) + k
∂u
∂t
(x
i
, 0) +
k
2
2

2
u
∂t
2
(x
i
, 0) +
k
3
6

3
u
∂t
3
(x
i
, ˆ µ
i
) (7.70)

2
u
∂t
2
(x
i
, 0) = α
2

2
u
∂x
2
(x
i
, 0) = α
2
d
f
dx
2
(x
i
) = α
2
f” (x
i
) (7.71)
150 BAB 7. DIFERENSIAL NUMERIK
u(x
i
, t
1
) = u(x
i
, 0) + kg (x
i
) +
α
2
k
2
2
f” (x
i
) +
k
3
6

3
u
∂t
3
(x
i
, ˆ µ
i
) (7.72)
w
i1
= w
i0
+ kg (x
i
) +
α
2
k
2
2
f” (x
i
) (7.73)
f” (x
i
) =
f (x
i+1
) −2f (x
i
) + f (x
i−1
)
h
2

h
2
12
f
(4)

˜
ξ

(7.74)
u(x
i
, t
1
) = u(x
i
, 0) + kg (x
i
) +
k
2
α
2
2h
2

f (x
i+1
) −2f (x
i
) + f (x
i−1
) h
2

+ O

k
3
+ h
2
k
2

(7.75)
u(x
i
, t
1
) = u(x
i
, 0) + kg (x
i
) +
λ
2
2

f (x
i+1
) −2f (x
i
) + f (x
i−1
) h
2

+ O

k
3
+ h
2
k
2

(7.76)
=

1 −λ
2

f (x
i
) +
λ
2
2
f (x
i+1
) +
λ
2
2
f (x
i−1
) + kg (x
i
) + O

k
3
+ h
2
k
2

(7.77)
w
i,1
=

1 −λ
2

f (x
i
) +
λ
2
2
f (x
i+1
) +
λ
2
2
f (x
i−1
) + kg (x
i
) (7.78)
Bab 8
Integral Numerik
Objektif :
⊲ Mengenalkan metode Trapezoida
⊲ Mengenalkan metode Simpson
⊲ Mengenalkan metode Composite-Simpson
⊲ Mengenalkan metode Adaptive Quardrature
⊲ Mengenalkan metode Gaussian Quadrature
8.1 Metode Trapezoida
Suatu persamaan integral

b
a
f(x)dx (8.1)
disebut numerical quadrature. Pendekatan numerik untuk menyelesaikan integral tersebut
adalah
n
¸
i=0
a
i
f(x
i
) (8.2)
Adapun metode pendekatan yang paling dasar dalam memecahkan masalah integral secara
numerik adalah metode Trapezoida yang rumusnya seperti ini

b
a
f(x)dx =
h
2
[f(x
0
) + f(x
1
)] −
h
3
12
f
′′
(ξ) (8.3)
dimana x
0
= a, x
1
= b dan h = b − a. Karena bagian error pada Trapezoida adalah f
′′
, maka
pendekatan Trapezoida bekerja efektif pada fungsi-fungsi yang turunan kedua-nya bernilai nol
(f
′′
= 0).
151
152 BAB 8. INTEGRAL NUMERIK
x =a
0
x =b
1
f(x)
Gambar 8.1: Metode Trapezoida. Gambar sebelah kiri menunjukkan kurva fungsi f(x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Trapesoida
menghitung luas area integrasi, dimana luas area adalah sama dengan luas trapesium di bawah kurva
f(x) dalam batas-batas a dan b
x =a
0
x =b
1
f(x)
Gambar 8.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f(x) dengan batas
bawah integral adalah a dan batas atas b. Gambar sebelah kanan menunjukan cara metode Simpson
menghitung luas area integrasi, dimana area integrasi di bawah kurva f(x) dibagi 2 dalam batas-batas
a dan b
8.2 Metode Simpson
Metode pendekatan yang lebih baik dalam integral numerik adalah metode Simpson yang
formulasinya seperti ini

b
a
f(x)dx =
h
3
[f(x
0
) + 4f(x
1
) + f(x
2
)] −
h
5
90
f
4
(ξ) (8.4)
dengan x
0
= a, x
2
= b, dan x
1
= a + h dimana h = (b −a)/2.
Contoh
Metode Trapezoida untuk fungsi f pada interval [0,2] adalah

2
0
f(x)dx ≈ f(0) + f(2)
dimana x
0
= 0, x
1
= 2 dan h = 2 −0 = 2,
sedangkan metode Simpson untuk fungsi f pada interval [0,2] adalah

2
0
f(x)dx ≈
1
3
[f(0) + 4f(1) + f(2)]
8.3. METODE COMPOSITE-SIMPSON 153
dengan x
0
= 0, x
2
= 2, dan x
1
= a + h = 1 dimana h = (b −a)/2 = 1.
Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam
interval [0,2] beserta solusi exact-nya. Jelas terlihat, metode Simpson lebih baik dibanding
Trapezoida. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact
f(x) x
2
x
4
1/(x + 1)

1 + x
2
sin x e
x
Nilai exact 2,667 6,400 1,099 2,958 1,416 6,389
Trapezoida 4,000 16,000 1,333 3,326 0,909 8,389
Simpson 2,667 6,667 1,111 2,964 1,425 6,421
Kalau diamati lebih teliti, akan kita dapatkan bahwa interval [0,2] telah dibagi 2 pada metode
Simpson, sementara pada metode Trapesoida tidak dibagi sama sekali. Sebenarnya dengan
membagi interval lebih kecil lagi, maka error-nya akan semakin kecil. Misalnya, banyaknya
pembagian interval dinyatakan dengan n
ketika n = 1: Trapesioda

x
1
x
0
f(x)dx =
h
2
[f(x
0
) + f(x
1
)] −
h
3
12
f
′′
(ξ) (8.5)
ketika n = 2: Simpson

x
2
x
0
f(x)dx =
h
3
[f(x
0
) + 4f(x
1
) + f(x
2
)] −
h
5
90
f
4
(ξ) (8.6)
ketika n = 3: Simpson tiga-per-delapan

x
3
x
0
f(x)dx =
3h
8
[f(x
0
) + 3f(x
1
) + 3f(x
2
) + f(x
3
)] −
3h
5
80
f
4
(ξ) (8.7)
ketika n = 4:

x
4
x
0
f(x)dx =
2h
45
[7f(x
0
) + 32f(x
1
) + 12f(x
2
) + 32f(x
3
) + 7f(x
4
)] −
8h
7
945
f
6
(ξ) (8.8)
Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes
formulas. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval. Di
atas tadi pembagian interval baru sampai pada n = 4. Bagaimana bila interval evaluasinya
dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain
n > 4.
8.3 Metode Composite-Simpson
Persamaan (8.8) terlihat lebih rumit dibandingkan persamaan-persamaan sebelumnya. Bisakah
anda bayangkan bentuk formulasi untuk n = 5 atau n = 6 dan seterusnya? Pasti akan lebih
kompleks dibandingkan persamaan (8.8).
154 BAB 8. INTEGRAL NUMERIK
x =a
0
x =b
n
x
1
x
2
x
3
x
4
x
5
x
6
x
7
f(x)
h
Gambar 8.3: Metode Composite Simpson. Kurva fungsi f(x) dengan batas bawah integral adalah a
dan batas atas b. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah
h.
Metode Composite Simpson menawarkan cara mudah menghitung intergal numerik ketika
nilai n > 4. Perhatikan contoh berikut, tentukan solusi numerik dari

4
0
e
x
dx. Metode Simpson
dengan h = 2 (atau interval evaluasi integral dibagi 2 , n = 2) memberikan hasil

4
0
e
x
dx ≈
2
3

e
0
+ 4e
2
+ e
4

= 56, 76958
Padahal solusi exact dari integral tersebut adalah e
4
− e
0
= 53, 59815, artinya terdapat er-
ror sebesar 3,17143 yang dinilai masih terlampau besar untuk ditolerir. Bandingkan dengan
metode yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 , n = 4)

4
0
e
x
dx =

2
0
e
x
dx +

4
2
e
x
dx

1
3

e
0
+ 4e + e
2

+
1
3

e
2
+ 4e
3
+ e
4

=
1
3

e
0
+ 4e + 2e
2
+ 4e
3
+ e
4

= 53, 86385
Hasil ini memperlihatkan error yang makin kecil, yaitu menjadi 0,26570. Jadi dengan mem-
perkecil h, error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati
solusi exact. Sekarang kita coba kecilkan lagi nilai h menjadi h =
1
2
(atau interval evaluasi in-
tegral dibagi 8 , n = 8),

4
0
e
x
dx =

1
0
e
x
dx +

2
1
e
x
dx +

3
2
e
x
dx +

4
3
e
x
dx

1
6

e
0
+ 4e
1/2
+ e

+
1
6

e + 4e
3/2
+ e
2

+
1
6

e
2
+ 4e
5/2
+ e
3

+
1
6

e
3
+ 4e
7/2
+ e
4

=
1
6

e
0
+ 4e
1/2
+ 2e + 4e
3/2
+ 2e
2
+ 4e
5/2
+ 2e
3
+ 4e
7/2
+ e
4

= 53, 61622
8.4. ADAPTIVE QUARDRATURE 155
dan seperti yang sudah kita duga, error-nya semakin kecil menjadi 0,01807.
Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut

b
a
f(x)dx =
n/2
¸
j=1

x
2j
x
2j−2
f(x)dx
=
n/2
¸
j=1

h
3
[f(x
2j−2
) + 4f(x
2j−1
) + f(x
2j
)] −
h
5
90
f
(4)

j
)

(8.9)
dimana h = (b−a)/n dan x
j
= a+jh, untuk j = 1, ..., n/2, dengan x
0
= a dan x
n
= b. Formula
ini dapat direduksi menjadi

b
a
f(x)dx =
h
3

f(x
0
) + 2
(n/2)−1
¸
j=1
f(x
2j
) + 4
n/2
¸
j=1
f(x
2j−1
) + f(x
n
)
¸
¸

h
5
90
n/2
¸
j=1
f
(4)

j
) (8.10)
Formula ini dikenal sebagai metode Composite Simpson.
8.4 Adaptive Quardrature
Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan
jarak interval yang seragamyaitu sebesar nilai h. Akibatnya, bila metode composite diterapkan
pada fungsi yang memiliki variasi yang tinggi dan rendah sekaligus, maka interval h yang kecil
menjadi kurang efektif, sementara interval h yang besar mengundang error yang besar pula.
Metode Adaptive Quadrature muncul untuk mendapatkan langkah yang paling efektif dimana
nilai interval h tidak dibuat seragam, melainkan mampu beradaptasi sesuai dengan tingkat
variasi kurva fungsinya.
Misalnya kita bermaksud mencari solusi numerik dari integral

b
a
f(x)dx dengan toleransi
ǫ > 0. Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (b −
a)/2

b
a
f(x)dx = S(a, b) −
h
5
90
f
(4)
(µ) (8.11)
dengan
S(a, b) =
h
3
[f(a) + 4f(a + h) + f(b)]
Langkah berikutnya adalah men

b
a
f(x)dx =
h
6
¸
f(a) + 4f

a +
h
2

+ 2f (a + h) + 4f

a +
3h
2

+ f(b)

h
2

4
(b −a)
180
f
(4)
(˜ µ) (8.12)
156 BAB 8. INTEGRAL NUMERIK
8.5 Gaussian Quadrature
Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi
berikut

b
a
f(x)dx =

1
−1
f

(b −a)t + (b + a)
2

(b −a)
2
dt (8.13)
dimana perubahan variabel memenuhi
t =
2x −a −b
b −a
⇔x =
1
2
[(b −a)t + a + b] (8.14)
Berikut adalah table polinomial Legendre untuk penyelesaian Gaussian quadrature
Tabel 8.1: Polinomial Legendre untuk n=2,3,4 dan 5
n Akar r
n,i
Koefisien c
n,i
2 0,5773502692 1,0000000000
-0,5773502692 1,0000000000
3 0,7745966692 0,5555555556
0,0000000000 0,8888888889
-0,7745966692 0,5555555556
4 0,8611363116 0,3478548451
0,3399810436 0,6521451549
-0,3399810436 0,6521451549
-0,8611363116 0,3478548451
5 0,9061798459 0,2369268850
0,5384693101 0,4786286705
0,0000000000 0,5688888889
-0,5384693101 0,4786286705
-0,9061798459 0,2369268850
8.5.1 Contoh
Selesaikan integrasi berikut ini

1,5
1
e
−x
2
dx (8.15)
(Solusi exact integral diatas adalah: 0.1093643)
jawab:
Pertama, integral tersebut ditransformasikan kedalamGaussian quadrature melalui persamaan
(8.13)

1,5
1
e
−x
2
dx =
1
4

1
−1
e
−(t+5)
2
16
dt (8.16)
Kedua, Gaussian quadrature dihitung menggunakan konstanta-konstanta yang tercantum pa-
da tabel polinomial Legendre. Untuk n = 2

1,5
1
e
−x
2
dx ≈
1
4

e
(−(0,5773502692+5)
2
/16)
+ e
(−(−0,5773502692+5)
2
/16)

= 0, 1094003
8.5. GAUSSIAN QUADRATURE 157
Untuk n = 3

1,5
1
e
−x
2
dx ≈
1
4
[(0, 5555555556)e
(−(0,7745966692+5)
2
/16)
+ (0, 8888888889)e
(−(5)
2
/16)
+ (0, 5555555556)e
(−(−0,7745966692+5)
2
/16)
] = 0, 1093642
8.5.2 Latihan
Selesaikan integrasi berikut ini

0,35
0
2
x
2
−4
dx
Selesaikan integrasi berikut ini

3,5
3
x

x
2
−4
dx
158 BAB 8. INTEGRAL NUMERIK
Latihan
1. Hitunglah integral-integral berikut ini dengan metode Composite Simpson!
a.

2
1
xln xdx, n = 4
b.

2
0
2
x
2
+ 4
dx, n = 6
c.

3
1
x
x
2
+ 4
dx, n = 8
d.

2
−2
x
3
e
x
dx, n = 4
e.

3π/8
0
tan xdx, n = 8
f.

5
3
1

x
2
−4
dx, n = 8
2. Tentukan nilai n dan h untuk mengevaluasi

2
0
e
2x
sin 3xdx
dengan metode Composite Simpson, bila error yang ditolerir harus lebih kecil dari 10
−4
.
3. Dalamdurasi 84 detik, kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena
grandprix dicatat dalam selang interval 6 detik:
time(dt) 0 6 12 18 24 30 36 42 48 54 60 66 72 78 84
speed(ft/dt) 124 134 148 156 147 133 121 109 99 85 78 89 104 116 123
Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mo-
bil tersebut selama pencatatan waktu di atas!
Bab 9
Mencari Akar
Objektif :
⊲ Mencari akar
9.1 Metode Newton
Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu.
Ada banyak jalan untuk memperkenalkan metode ini. Salah satunya bisa didahului mulai dari
deret Taylor atau polinomial Taylor. Suatu fungsi yang kontinyu dapat dinyatakan dalamderet
Taylor sebagai berikut
f(x) = f(¯ x) + (x − ¯ x)f

(¯ x) +
(x − ¯ x)
2
2
f
′′
(ξ(x))
0 = f(¯ x) + (p − ¯ x)f

(¯ x) +
(p − ¯ x)
2
2
f
′′
(ξ(p))
0 = f(¯ x) + (p − ¯ x)f

(¯ x)
p − ¯ x = −
f(x)
f

(¯ x)
p ≈ ¯ x −
f(x)
f

(¯ x)
p
n
= p
n−1

f(p
n−1
)
f

(p
n−1
)
, n ≥ 1
159
Gambar 9.1: Metode Newton
Bab 10
Metode Monte Carlo
Objektif :
⊲ Mengenalkan metode Monte Carlo
10.1 Penyederhanaan
Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat
terkenal yaitu menghitung luas suatu lingkaran. Fugure 1 memperlihatkan lingkaran den-
gan radius r = 1 berada di dalam kotak bujursangkar. Luas lingkaran adalah πr
2
= π(1)
2
= π
sementara luas bujursangkar adalah (2)
2
= 4. Rasio antara luas lingkaran dan luas bola adalah
ρ =
luas lingkaran
luas bujursangkar
=
π
4
= 0, 7853981633974483 (10.1)
Gambar 10.1: Lingkaran dan bujursangkar
161
162 BAB 10. METODE MONTE CARLO
Jadi, dengan mengetahui nilai ρ, maka kita bisa menghitung luas lingkaran dengan cara
luas lingkaran = ρ ×luas bujursangkar (10.2)
Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah
lingkaran tadi. Misalnya, total dart yang menancap di papan dart ada 1024 buah. Sebanyak
812 dart berada di dalamlingkaran, dan yang lainnya di luar lingkaran. Rasio antara keduanya
ρ =
dart di dalam lingkaran
total dart di dalam bujursangkar
=
812
1024
= 0, 79296875 (10.3)
Gambar 10.2: Dart yang menancap pada bidang lingkaran dan bujursangkar
Dengan pendekatan ke persamaan (10.2) maka luas lingkaran adalah
luas lingkaran = ρ ×luas bujursangkar
= 0, 79296875 ×4
= 3, 171875
Apakah angka ini make sense? Mungkin anda masih ragu. Sekarang mari kita coba hitung ni-
lai π dengan mengacu pada rumus di atas. Kita sepakati saja bahwa dart yang berada di dalam
lingkaran mesti memenuhi x
2
i
+ y
2
i
≤ 1. Dalam perhitungan, semua dart diganti dengan bi-
langan acak (random number). Dari 1000 dart, yang masuk lingkaran ada 787 buah, sehingga,
mengacu persamaan (10.3)
ρ =
787
1000
= 0, 787
maka berdasarkan persamaan (10.1)
π = ρ ×4 = 0, 787 ×4 = 3, 148
10.1. PENYEDERHANAAN 163
Gambar 10.3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar
Lumayan akurat bukan? Semakin banyak jumlah dart, semakin akurat nilai π yang anda per-
oleh.
Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area
yang terletak di bawah garis kurva suatu fungsi f(x). Atau sebut saja menghitung integral
suatu fungsi f(x) yang dievaluasi antara batas a dan b. Luas kotak R yang melingkupi luas
bidang integral A adalah
R = {(x, y) : a ≤ x ≤ b dan 0 ≤ y ≤ d} (10.4)
dimana
d = maksimum f(x) , a ≤ x ≤ b (10.5)
Bab 11
Inversi
Objektif :
⊲ Mengenalkan inversi linear
⊲ Mengenalkan inversi non-linear
11.1 Inversi Linear
Diketahui data eksperimen tersaji dalam tabel berikut ini
x
i
y
i
x
i
y
i
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6
Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas, kita bisa melihat bahwa data yang
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
X
Y
telah di-plot tersebut dapat didekati dengan sebuah persamaan garis, yaitu a
1
x
i
+a
0
. Artinya,
165
166 BAB 11. INVERSI
kita melakukan pendekatan secara linear, dimana fungsi pendekatan-nya adalah
P(x
i
) = a
1
x
i
+ a
0
(11.1)
Problemnya adalah berapakah nilai konstanta a
1
dan a
0
yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin y
i
sama dengan P(x
i
) atau dapat diformulasikan sebagai
m
¸
i=1
y
i
−P(x
i
) = 0 (11.2)
m
¸
i=1
y
i
−(a
1
x
i
+ a
0
) = 0 (11.3)
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a
0
, a
1
) =
m
¸
i=1
y
i
−(a
1
x
i
+ a
0
) (11.4)
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut di-
wujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
menjadi
E(a
0
, a
1
) =
m
¸
i=1
[y
i
−(a
1
x
i
+ a
0
)]
2
(11.5)
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
∂E(a
0
, a
1
)
∂a
i
= 0 (11.6)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a
0
dan a
1
. Maka mesti ada dua
buah turunan yaitu:
∂E(a
0
, a
1
)
∂a
0
=

∂a
0
m
¸
i=1
[y
i
−(a
1
x
i
+ a
0
)]
2
= 0
2
m
¸
i=1
(y
i
−a
1
x
i
−a
0
)(−1) = 0
a
0
.m + a
1
m
¸
i=1
x
i
=
m
¸
i=1
y
i
(11.7)
11.1. INVERSI LINEAR 167
dan
∂E(a
0
, a
1
)
∂a
1
=

∂a
1
m
¸
i=1
[y
i
−(a
1
x
i
+ a
0
)]
2
= 0
2
m
¸
i=1
(y
i
−a
1
x
i
−a
0
)(−x
i
) = 0
a
0
m
¸
i=1
x
i
+ a
1
m
¸
i=1
x
2
i
=
m
¸
i=1
x
i
y
i
(11.8)
Akhirnya persamaan (11.7) dan (11.8) dapat dicari solusinya berikut ini:
a
0
=
¸
m
i=1
x
2
i
¸
m
i=1
y
i

¸
m
i=1
x
i
y
i
¸
m
i=1
x
i
m
¸
m
i=1
x
2
i

−(
¸
m
i=1
x
i
)
2
(11.9)
dan
a
1
=
m
¸
m
i=1
x
i
y
i

¸
m
i=1
x
i
¸
m
i=1
y
i
m
¸
m
i=1
x
2
i

−(
¸
m
i=1
x
i
)
2
(11.10)
Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada
buku Praktikum Fisika Dasar keluaran Departemen Fisika-UI. Mudah-mudahan sama per-
sis. OK, berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka
didapat:
a
0
=
385(81) −55(572, 4)
10(385) −(55)
2
= −0, 360 (11.11)
dan
a
1
=
10(572, 4) −55(81)
10(385) −(55)
2
= 1, 538 (11.12)
Jadi, fungsi pendekatan-nya, P(x
i
), adalah
P(x
i
) = 1, 538x
i
−0, 360 (11.13)
Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama
lain yaitu regresi linear. Sedangkan nilai a
0
dan a
1
disebut koefisien regresi. Gambar di
bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya
Tentu saja anda sudah bisa menduga bahwa selain regresi linear, mungkin saja terdapat regresi
parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola, yaitu:
P(x
i
) = a
2
x
2
i
+ a
1
x
i
+ a
0
(11.14)
dimana koefisien regresinya ada tiga yaitu a
0
, a
1
dan a
2
. Kalau anda menduga demikian, maka
dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Secara umum, fungsi
pendekatan, P(x
i
), bisa dinyatakan dalam aljabar polinomial berikut ini:
P(x
i
) = a
n
x
n
i
+ a
n−1
x
n−1
i
+ ... + a
2
x
2
i
+ a
1
x
i
+ a
0
(11.15)
168 BAB 11. INVERSI
0 2 4 6 8 10
−2
0
2
4
6
8
10
12
14
16

P(x) = 1.538*x − 0.36
Namun untuk saat ini, saya tidak ingin memperluas pembahasan hingga regresi parabola, dan
polinomial. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyele-
saikan problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah
saya yang terdahulu. Nah, kalau metode eliminasi gauss hendak digunakan untuk mencari
solusi regresi linear, kita bisa mulai dari persamaan (11.7) dan (11.8), yaitu:
a
0
.m + a
1
m
¸
i=1
x
i
=
m
¸
i=1
y
i
a
0
m
¸
i=1
x
i
+ a
1
m
¸
i=1
x
2
i
=
m
¸
i=1
x
i
y
i
Keduanya bisa dinyatakan dalam operasi matrik:
¸
m
¸
m
i=1
x
i
¸
m
i=1
x
i
¸
m
i=1
x
2
i
¸¸
a
0
a
1
¸
=
¸
¸
m
i=1
y
i
¸
m
i=1
x
i
y
i
¸
(11.16)
Kalau anda mengikuti catatan-catatan terdahulu, pasti anda tidak asing lagi dengan dengan
semua elemen-elemen matrik di atas. Semua sudah saya ulas pada catatan yang berjudul Ap-
likasi Elimininasi Gauss: Model Garis. Silakan anda lanjutkan perhitungan matrik tersebut
hingga diperoleh koefisien regresi a
0
dan a
1
. Selamat mencoba!
11.2 Inversi Non-Linear
Persamaan least squares linear adalah sebagai berikut:
[G
t
G]δm = G
t
δd (11.17)
Persamaan least squares non-linear dapat dinyatakan sebagai berikut:
[G
t
G+ λI]δm = G
t
δd (11.18)
11.2. INVERSI NON-LINEAR 169
dimana G adalah matrik kernel, namun dia juga biasa dikenal dengan sebutan matrik Ja-
cobian, sementara λ adalah faktor pengali Lagrange, dan I adalah matrik identitas yang or-
denya disesuaikan dengan G
t
G. Adapun definisi δm dan δd akan dijelaskan pada bagian
akhir catatan ini.
Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah:
1. Menentukan model, misal f(x) = x
m
2. Menghitung jacobian, G. Caranya adalah menghitung turunan pertama dari model ter-
hadap model-parameter, m. Sesuai permisalan pada point 1, didapat
A =
∂f(m)
∂m
= x
m
ln(x) (11.19)
3. Membuat perhitungan simulasi, misalnya ditentukan m = 2. Nilai m adalah nilai yang
hendak dicari. Dalam simulasi, nilai m dianggap sudah diketahui bahkan ditentukan.
Lalu hitunglah f(x) = x
m
dengan x bergerak dari x = 1, 2, 3.., 10. Jadi, nanti akan didapat
10 buah f(x). Mau lebih dari 10 juga boleh, terserah saja. Hasil hitungannya dikasih
nama d, jadi d = f(x). Karena dalam simulasi ini x-nya bergerak hanya sampai 10, maka
hasilnya mesti ada 10 d, yaitu d
1
, d
2
, .., d
10
.
4. Buatlah perhitungan untuk m sembarang, misal mula-mula dipilih m = 5. Ini adalah ni-
lai awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju
2 sesuai dengan nilai m pada simulasi (point 3). Bagusnya dibedakan penulisannya, atau
tulis saja m
0
= 5, dimana m
0
maksudnya adalah m mula-mula. Lalu hitung lagi nilai
f(x) = x
m
0
. Sekarang dinamakan d
c
= f(x). Jangan lupa bahwa saat perhitungan, nilai
x bergerak dari 1 sampai 10. Jadi, nanti didapat 10 d
c
.
5. Hitunglah δd, dimana δd = d
c
−d. Sebelumnya sudah dinyatakan bahwa d
c
ada 10 buah,
demikian juga d ada 10 buah, maka δd harus ada 10 buah juga.
6. Selanjutnya hitung ||δd|| yang rumusnya seperti ini
||δd|| =
1
N
Σ(d
c
−d)
2
=
1
N
Σδd
2
(11.20)
dimana N = 10 karena δd-nya ada 10. Rumus ini tidak mutlak harus demikian, anda bisa
juga menggunakan norm 2, ℓ
2
.
7. Tentukan nilai epsilon, ǫ, misal ǫ = 0.000001. Lalu lakukan evaluasi sederhana. Cek,
apakah ||δd|| < ǫ ? Pasti awalnya ||δd|| > ǫ, kenapa? Karena m = m
0
. Kalau begini
situasinya, δd yang ada 10 biji itu dimasukan kedalam proses berikutnya.
8. Hitunglah operasi matriks berikut ini untuk mendapatkan δm
[G
t
G+ λI]δm = G
t
δd (11.21)
170 BAB 11. INVERSI
dengan λ-nya dikasih nilai sembarang antara 0 dan 1, misalnya λ = 0.005. Perhitungan
ini bisa diselesaikan dengan metode eliminasi gauss.
9. Ganti nilai m
0
menjadi m
1
sesuai dengan rumus
m
1
= m
0
+ δm (11.22)
Nah, m
1
ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diu-
langi hingga point 9, begitu seterusnya. Dari sinilah dimulai proses iterasi. Iterasi akan
berhenti bila ||δd|| < ǫ. Pada saat itu, nilai m
k
akan mendekati m = 2 sesuai dengan m
simulasi.
Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan
latihan. Lihat saja di Latihan 1. Tapi tolong diperiksa lagi, apakah jacobiannya sudah be-
nar atau ada kekeliruan. Selanjutnya, kalau ada pertanyaan atau komentar, silakan kirim ke
supri92@gmail.com
Daftar Pustaka
[1] Burden, R.L. and Faires, J.D., (2001), Numerical Analysis, Seventh Edition, Brooks/Cole,
Thomson Learning Academic Resource Center.
[2] Haliday and Resnick, (2001), Fundamental of Physics, Brooks/Cole, Thomson Learning Aca-
demic Resource Center.
171
Indeks
Positive-definite, 5
Transpose, 3
Tridiagonal, 5
Vektor-baris, 6
Vektor-kolom, 6
173

Untuk Nina Marliyani Muflih Syamil dan Hasan Azmi

Ketekunan adalah jalan yang terpercaya untuk mengantarkan kita menuju kesuksesan (Supriyanto. 2007) .

insya Allah. menyelesaikan tugas dan report. Ibarat pohon yang akan terus tumbuh semakin besar. fisika bisa dipelajari lewat simulasi fenomena alam yang sangat mengandalkan komputer serta algoritma numerik. pokoknya asal tercatat. Thomson Learning Academic Resource Center. saya akan menyajikan sebagian besar yang masih kurang lengkap itu secara bertahap. buku ini memasuki edisi ke-3. Pengayaan isi terus berlangsung hingga akhir 2007. dan ketiga. Karenanya. Kemudian di tahun 2006akhir menjadi catatan perkuliahan Komputasi Fisika. Disamping itu. Secara garis besar. Burden dan J. Kepada rekan-rekan mahasiswa yang akan ngambil mata kuliah tersebut. dengan menggunakan konsep atau teori fisika yang akhirnya melahirkan fisika teori. Pertanyaan-pertanyaan itu menjadikan saya sadar bahwa buku edisi ke-II yang berjumlah 187 halaman. Lalu di awal tahun 2008 diisi dengan tambahan materi perkuliahan Analisis Numerik. Jadi materi Komputasi Fisika tahun 2007 dan materi Analisis Numerik 2008. saya sampaikan permohonan maaf jika rencana ini akan membuat anda kurang tidur karena bakal semakin lama berada di depan komputer. entah itu dalam bentuk konsultasi Tugas Akhir mahasiswa S1 sebagaimana yang penulis terima dari mahasiswa UNPAD. dengan cara eksperimen yang menghasilkan aliran fisika eksperimental. Rujukan utama buku ini bersumber pada buku teks standar yang sangat populer di dunia komputasi. buku ini pun memiliki tabiat pertumbuhan sebagaimana pohon itu. UNESA dan UNSRI serta UI sendiri. Pengayaan isi buku ini. sejujurnya. yaitu buku yang ditulis oleh Richard L. ataupun sekedar pertanyaan seputar pekerjaan rumah seperti yang biasa ditanyakan oleh para mahasiswa dari Univ. berasal dari sejumlah pertanyaan yang sampai ke mailbox saya.Kata Pengantar Alhamdulillah. buku ini dilengkapi oleh sejumlah contoh aplikasi komputasi pada upaya penyelesaian problem-problem fisika. diterbitkan oleh Penerbit Brooks/Cole. Itulah yang saya maksud dengan tabiat pertumbuhan dari buku ini. UDAYANA. iii . ternyata belum bisa memenuhi kebutuhan banyak mahasiswa yang memerlukan teknik pengolahan data secara numerik. Tujuan penyusunan buku ini adalah untuk meletakkan pondasi dasar dari bangunan pemahaman akan metode-metode komputasi yang banyak digunakan untuk mensimulasikan fenomena fisika. Pakuan. saya bertekad akan menurunkan seluruh isi buku ini kepada mahasiswa yang akan mengambil kuliah tersebut. ilmu fisika dapat dipelajari lewat 3 jalan. Douglas Faires dengan judul Numerical Analysis edisi ke-7. Jika saya ditugaskan untuk mengajar mata kuliah Komputasi Fisika lagi pada awal September 2008. yaitu pertama. Mulai ditulis pada tahun 2005 dengan isi yang seadanya. Penomoran edisi ini sebenarnya hanya untuk menandakan perubahan isi buku yang semakin kaya metode numerik dibandingkan dengan edisi-edisi sebelumnya. Kedua. Bogor. pada edisi ke-III ini. digabung jadi satu kedalam satu semester dengan nama mata kuliah Komputasi Fisika.

Saya ingin ganti ke Python. Oleh karena itu saya menghimbau kepada pembaca untuk menfokuskan diri melalui penjelasan singkat berikut ini: • Bab 1 berisi pengenalan matrik. Universitas Indonesia. kritikan dan saran. Kondisi ini berpotensi membuat anda bingung.com Depok. saya pun sepatutnya berterima kasih kepada seluruh rekan diskusi yaitu para mahasiswa yang telah mengambil mata kuliah Komputasi Fisika PTA 2006/2007 di Departemen Fisika. Akhirnya saya ingin mengucapkan rasa terima kasih yang tak terhingga kepada Dede A Djuhana yang telah berkenan memberikan format L TEX-nya sehingga tampilan tulisan pada buku ini benar-benar layaknya sebuah buku yang siap dicetak. Saya wariskan ilmu ini untuk siswa dan mahasiswa Indonesia dimanapun mereka berada. j dan k dalam proses looping disajikan pada Bab I. dalam edisi ke-2 yang lalu. silakan dikirimkan ke email: supri92@gmail. Tak lupa. inisialisasi matrik pada Matlab dan Fortran. dan Bab 3. operasi matrik. dianjurkan mulai dari Bab 1. Kepada seluruh mahasiswa dari berbagai universitas di Timur dan di Barat Indonesia juga perlu saya tulis disini sebagai ungkapan terima kasih atas pertanyaan-pertanyaan mereka yang turut memperkaya isi buku ini. Padahal. Kalian berhak memanfaatkan buku ini. Bab 7. dan Bab 8. Namun mayoritas ditulis dalam Matlab. FMIPA. Disamping itu penjelasan lebih terperinci tentang bagaimana menentukan indeks i. dianjurkan mulai dari Bab 1. • Untuk mempelajari metode Finite-Difference. saya dan juga mahasiswa saya tidak perlu menginstal Matlab bajakan ke dalam komputer kami masing-masing. yaitu Fortran77 dan Matlab. lantaran dengan Python ataupun Octave. Walaupun buku ini masih jauh dari sempurna. untuk memberi pondasi yang kokoh bagi berdirinya bangunan pemahaman akan teknikteknik numerik selanjutnya. Bab 2. kecuali kalau saya dapat bagian komisi-nya :) . namun semoga ia dapat menyumbangkan kontribusi yang berarti bagi terciptanya gelombang kebangkitan ilmu pengetahuan pada diri anak bangsa Indonesia yang saat ini sedang terpuruk. script numerik disalin ke dalam 2 bahasa pemrograman. memberikan masukan. harus menguasai Bab I terlebih dahulu. Bab 2. • Untuk mempelajari dasar-dasar inversi. Saran saya. 8 Juni 2008 Supriyanto Suparno . Keterkaitan antar Bab berikut isi-nya masih perlu perbaikan. atau setidaknya menjadi kurang fokus. Buku yang sedang anda baca ini masih jauh dari sempurna.iv Pada edisi ke-3 ini saya mulai mencoba membiasakan diri menulis script dalam lingkungan Python dan Octave. Bab 4. Bagi yang ingin berdiskusi. Saya izinkan kalian untuk meng-copy dan menggunakan buku ini selama itu ditujukan untuk belajar dan bukan untuk tujuan komersial. setiap pembaca yang masih pemula di dunia pemrograman.

.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Komputasi perkalian matrik dan vektor-kolom . . . . . .3.3. . . . . . . . . . . .2 Sistem persamaan linear . .5 1. . . . . . . . . Matrik upper-triangular . .4 1. . . . . . . . . . . . . . . . . . . . . . . . . .10 Matrik positive-definite . . . . Komputasi penjumlahan matrik . . . . . . . . .6 Penjumlahan matrik . . . . . . . . . . . . . . .3. . . . . . . . . . . . . v . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 1. .4. . . . . . . . . . . . . . . . . . . . .6 1. . . . . . . . . . . Macam-macam matrik . .2 1. . . . . . . . . . . . . . 1. Matrik tridiagonal . . . . . . . . . .4. . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . . . .3 Pengenalan matrik . . . . . Triangularisasi dan Substitusi Mundur . . . . . . . . 1. . . . . . . . . . . . Matrik diagonal . . .4 Operasi matematika . . . . . . . . . . . . . . . . . . Matrik simetrik . . . . . . . . . . . . . . . .1 2. . . i iii iv vii x 1 1 2 3 3 3 3 4 4 4 4 5 5 5 6 7 7 8 10 12 14 15 16 16 17 17 18 1. . . . . . . . . . . .4. . . . . . . . . . . . . . . . . Perkalian matrik . . . .8 1. . . . . . . . . . . . . . . . . . . .1 1. . . . . . . . . . . . . . . . . .3 1. Inisialisasi matrik dalam memori komputer . .3 1. . . . . . . . . . . .3. . . .2 1. . . . . . . . . . . . . . . . .Daftar Isi Lembar Persembahan Kata Pengantar Daftar Isi Daftar Gambar Daftar Tabel 1 Matrik dan Komputasi 1. . . . . . . . . . . Latihan . . . . . . . . .5 1. . . . . 1. . . . . . . . . . . . . . . . . . . . . . . Matrik identitas . . . . . Penutup . . . . . . . . . .7 1. . . . . . Matrik bujursangkar . . . . . . . .9 Matrik transpose . . . . . . . . . . .1 1. Matrik diagonal dominan . . . . . . 2 Metode Eliminasi Gauss 2. . . .4 1. .3. . . . . . . . . . . . . .11 Vektor-baris dan vektor-kolom . . . Komputasi perkalian matrik . . . . . . . . . . . . . . . . . . . . . .3. . .1 1. . . . . . . . . . . . . . . . . . . . .4. . . . . . .3. . . . . . . . .3. . . . . .5 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Perkalian matrik dan vektor-kolom . . . . .6 1.4. . . . . . .4. . . . . . . . . Matrik lower-triangular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . .2 Kelebihan Vektor-kolom . . . . . . . . . . . . . . . Algoritma . . . . . . .7 Matrik dan Eliminasi Gauss .1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . .2. . . . .2. . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . Algoritma eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Faktorisasi matrik . . . . . . . . Script Matlab metode iterasi Jacobi . . .2 5. . . . Script matlab inversi model parabola . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . .2 5. . . . . . . . . . . . . . . . . . . . . . . . . . .1 5. . .5 2. . . .1 3. . . . . . . . . . . . . . . . . . . . . . Script iterasi Gauss-Seidel dalam Fortran . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Script perhitungan norm dalam Matlab .1 2. . . . . . . . . .1 5. . . . Script iterasi Gauss-Seidel . . . . . .3. . . . . . . .3 3. . . . . . .1 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. .5. . . .3 5. . . . Optimasi script Matlab untuk menghitung iterasi . . . . Inversi Model Parabola . . . . . . . . .4 2. . . . . . 3. . . . . . . . . . .4 5. . . . . . . . .3. . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . .5. . . . . .1 3. . . . . Algoritma . . . . . . . .6 2. Menghitung invers matrik . . . . . Contoh aplikasi . . . . .3 5. . . . . . . .1 6 Interpolasi 6. . . . . . .1 5. . . . . . . . . . . . . . . . . . . . . . . . . . Contoh aplikasi . . . . . . . . . . . . . . . . . . . .4. . Pengertian Norm . . . . . . . . . . . .1 Algoritma . . 2. . . . . . . . . . . . . . . . .5 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Interpolasi Cubic Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . .4 5. . . . Algoritma . . . . . . . . . . . .2 Interpolasi Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Script matlab inversi model garis . . . . . . . . . . .2 3. . . . . . . . . . . . Menghitung arus listrik .4 Inversi Model Garis .3 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Metode Iterasi 5. . . . . . . . . . . . . . . .1 5. . . . . . . . Penutup . . . . . . . . . . . . . . . . . . . . . . . . . Iterasi dengan Relaksasi . . . . . . . . . . 5. . Program dalam Fortran . . . . . . . .2 5. . . . . . . . . . . . . . .4. . . . . Iterasi Gauss-Seidel . . . . . . . . . . . . . .vi 2. . . . . . . . . . . . . 4 Metode LU Decomposition 4. . . . . . . .4. . . . . . . . Iterasi Jacobi . . . . . . . . . . . . . . . . . Inversi Model Bidang . . . . . . . . . . .2. . . . . . . . . . . . . Perhitungan norm-selisih . . . . . . . . 21 23 25 29 29 31 37 39 39 42 45 48 51 53 53 61 61 65 71 71 72 72 73 73 76 79 81 82 83 84 85 86 87 89 91 91 93 3 Aplikasi Eliminasi Gauss pada Masalah Inversi 3. . . Algoritma Iterasi Relaksasi . . .

. 148 7. . . . . . . . . . . . . 165 11.5. . 133 7. . . . . . . . . . . . . . . . . . . . .2 7. . . . . . . . . . . . . . . . 123 Metode Finite Difference . . . . . . . .5 Persamaan Diferensial Parsial . . . . . . . . . . . . 107 7. .3 101 Metode Euler . . . . 156 Latihan . . . . . . . . . . . . . . . . . . .7 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156 8. . . . .1 8. . . . . . . . . . . . . . . 134 Metode Backward-difference . . . . . . . . . . . . . . . . .1 7. . . . . . 151 Metode Simpson .2. . . 127 Script Matlab untuk PDP Elliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 7. . . . . . . . . . . . . . . . . . . . . .6 PDP parabolik . . . . . . . . 130 Contoh kedua . . . . . . . . . . . . . . . . . . . . . 155 Gaussian Quadrature . . . . . . . . .4 7. . .8 PDP Hiperbolik . . . . . . . . . . . . . . . . . . . . . . . 143 Contoh . .3 Contoh pertama . . . . . . . . . . . . 101 Metode Runge Kutta . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . 168 Daftar Pustaka Indeks 171 173 . . . . . . . . . . . . . . . . . . . . . 146 7. . . . . . . . . . . . . . . .2 Inversi Non-Linear . 152 Metode Composite-Simpson . . . 133 Contoh ketiga: One dimensional heat equation . 161 11 Inversi 165 11. .5. . . . . . . . . . . . . . . . . . . . . . .4 7. . . . . . . . . . . .5. . . . . . . . 118 Aplikasi . . . . . . .2 Aplikasi: Pengisian muatan pada kapasitor . . . . . . . . . . . . . . . . .3. . 125 7. . . . .2 8. . . . . . . . . . . .3 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . . . .1 7. . . . . . . . . . . . . .1 Metode Newton .5 Metode Trapezoida . . . . . . . . . . . . . . . . . . . . . . .vii 7 Diferensial Numerik 7. . . . . .1 Latihan . . 139 Metode Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Contoh . . . . . . . . . . . . . .2 7. . 149 151 8 Integral Numerik 8. . . . . . . .3 7. . .1 8. . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . 115 7. . . . . . . . . . . . . . . . . . . . . . . . . . . 124 PDP eliptik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Metode Forward-difference . . 159 161 10 Metode Monte Carlo 10. . . . . . . 153 Adaptive Quardrature . . . . . . . . . . . . . .6. . . . . . . . . . . .5. . . . . . . .1 7. . . . . . . . . . . . . . . . . . . .5. . . . . . . . .1 Inversi Linear . . . . .6. . . . .4 8. . . . . . . . . . . . . . . . . . . . . . . 157 159 9 Mencari Akar 9. . . . . . . . . . . .1 Penyederhanaan .1 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 Script Finite-Difference . . . . . . . . . .2 7. . . . . . . . . . . . . . . . . .

viii .

. . . . . . . . 110 7. . . . . . yaitu nilai wi . . . . . . . . . . . . . . .4 6. . Sampling titik data . . . . . . . 40 54 57 93 93 98 99 99 Hasil interpolasi lagrange . . 128 Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur. 116 7. . . . . . . . . . .9). . . . . . . . yaitu nilai wi . . .1 Sebaran data observasi antara temperatur dan kedalaman . . . . . . . . . . . . . . . Evaluasi kurva yang dilakukan Finite-Difference dimulai dari batas bawah X0 = a hingga batas atas x6 = b . . . . . . . .5 7. . . . . . . . . . .2 6. . . . . . . . . . . . . . . . . 115 Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h. begitu seterusnya. .Daftar Gambar 3. . . . . . Profil suatu object . . . . . . .3 6. . . 106 7. . . . . . . . . .8 7. . . . . . . . . . . . . . . . . . .3 6. . . . . . . pasangan t2 adalah y(t2 ).2 Kurva biru adalah solusi exact. . . Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler. . . .10 Interval mesh-points dengan jarak h = 0. . . . . . . . . . . . 0005 . . . . . . .7 7. . . . . Fungsi f (x) dengan sejumlah titik data . . . . Hasil interpolasi cubic spline . . . . . . . . . . . . . . . kemudian berdasarkan garis singgung tersebut. . . . . . . . . . . . . . . . . Grafik data pengukuran gerak batu . . . 135 ix . . . . . . .9 Skema grid lines dan mesh points pada aplikasi metode Finite-Difference . . . . . . . . . . . .6 Rangkaian RC . . . . ditentukan pasangan t1 sebagai w1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Kurva pengisian muatan q (charging) terhadap waktu t . . . . . . . Grafik hasil inversi parabola . . . .1 6. . . . . . . . . . .5 6. . . . . .6 7. . . .9). . . . . . .4 7. . . . . Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4. . dimana lingkaran-lingkaran kecil warna biru pada kurva menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Pendekatan dengan polinomial cubic spline . . . 1 dalam interval waktu k = 0. . . . 1. . .2 3. . . . . . . . . . . . . . . . . . . 135 7. . . . Pasangan t1 adalah y(t1 ). . . . . . . . . . . . Jarak antar titik ditentukan sebesar h = 0. . . . . . . . . . . . . . . . . . 100 Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar h. .1 3. . . . . . . . . . . . . . . . . . . .3 Kurva biru adalah solusi exact. . . . . . . . . . Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis. . . . . . dimana lingkaran-lingkaran kecil warna biru pada kurva menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7. . . . . . . . . . . 126 Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur pada lempeng logam sesuai contoh satu . . . . . . . . . . . . . . . . . . . . . 102 7. . . . . . Kanan: Garis singgung yang menyinggung kurva y(t) pada t=a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . 135 8. . Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masingmasing adalah h. . . . 162 10. . . . .11 Posisi mesh-points. . . . . . . . . 161 10.3 Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar . . . . . . . . . . . . . . . . . sedangkan arah t menunjukkan perubahan waktu yg makin meningkat . . Gambar sebelah kanan menunjukan cara metode Trapesoida menghitung luas area integrasi. . . . . . 160 10. . . . . . . . . . . . dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas-batas a dan b . . . . . . . .1 Metode Newton . . . . . . . 152 8. . . Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas bawah integral adalah a dan batas atas b. .3 Metode Composite Simpson.2 Metode Simpson. . .1 Lingkaran dan bujursangkar . . 152 8. . . . . . . . . . . . dimana luas area adalah sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b . 154 9. . . . . Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference. . . . . . . . . . . . . . . . . .x DAFTAR GAMBAR 7. . . . . . . .2 Dart yang menancap pada bidang lingkaran dan bujursangkar . . . . . Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas bawah integral adalah a dan batas atas b. . . . .1 Metode Trapezoida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Kurva fungsi f (x) dengan batas bawah integral adalah a dan batas atas b. . 163 . . . . Gambar sebelah kanan menunjukan cara metode Simpson menghitung luas area integrasi. . . . . . . .

. . . . . . . . 146 8. . . . . Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih 39 45 53 79 80 84 88 88 antara keduanya . . . 01 . . . . Hasil Iterasi Gauss-Seidel . . . . . . .1 5. .Daftar Tabel 3. . . . . . . . . . . . . . . . . Hasil perhitungan iterasi Relaksasi dengan ω = 1.4 5. . . . . . . .4 dan 5 . .6 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0. . . . . . . . Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . Hasil perhitungan iterasi Gauss-Seidel . . . Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 . . . . . . yaitu persamaan (7. . . . . . . . . . . 114 Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi. . . . kolom ke-3 dan ke-5 adalah solusi numerik forward-difference. . . . . . . . . . . . . . 105 Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti ) serta selisih antara keduanya . . . . . . . . . . . . .2 3. . . 139 7.1 3. . . . .16) . . . . . . 25 . . . . . . . . . .3 7. .5 7. . . . . . . Hasil perhitungan norm-selisih (dengan ℓ2 ) hingga iterasi ke-10 . . . . . . . . . . . . .5 7. 156 xi .4 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . Kolom ke-2 adalah solusi analitik/exact. .1 Polinomial Legendre untuk n=2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 5. . . .2 7. . . . . . . . . . . . . . . . . . . . Data ketinggian terhadap waktu dari planet X . . .3 5. . . . . . . . . . . . . . . . .3 5. . . . . . . . . . 110 Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil perhitungan dari solusi exact. . . . . . . . . . . Kolom ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik . . . 143 Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan metode backward-difference dan Crank-Nicolson . . . .3. . . . . . . . . . . . . . . . . . . . .1 7.

xii DAFTAR TABEL .

Huruf n menyatakan jumlah baris. . ⊲ Mendeklarasikan elemen-elemen matrik ke dalam memori komputer. misalnya An×m .  . . ⊲ Membuat script operasi matrik. Suatu matrik tersusun dari elemen-elemen yang dinyatakan dengan huruf kecil diikuti angka-angka indeks.1 Pengenalan matrik Notasi suatu matrik berukuran n x m ditulis dengan huruf besar dan dicetak tebal.  . dan huruf m jumlah kolom.  (1.  . Contoh 1: Matrik A2×3 A= an1 an2 . . dimana indeks i menunjukan posisi baris ke-i dan indeks j menentukan posisi kolom ke-j.Bab 1 Matrik dan Komputasi  Objektif : ⊲ Mengenalkan matrik dan jenis-jenis matrik. . dan a23 = 7. . . ⊲ Mengenalkan operasi penjumlahan dan perkalian matrik. a1m    a21 A = (aij ) =  . . .  . misalnya aij . a22 = 4.  a11 a12 a22 . Contoh 2: Matrik B3×2  1 3   B = 5 9 2 4 1  . anm  .1) 3 8 5 6 4 7 dimana masing-masing elemennya adalah a11 = 3. a13 = 5. a12 = 8. 1. a2m  . . a21 = 6.

disamping itu. 5.1) B(3. 2. 5.1) B(1.3) = = = = = = 3 8 5 6 4 7 Sedangkan untuk matrik B3×2 .2) B(3. 8. Sedangkan untuk matrik B3×2 .2) B(2.1) A(2.1) B(3.1) A(1. MATRIK DAN KOMPUTASI dimana masing-masing elemennya adalah b11 = 1. dan b32 = 4.3) A = = = = = = 3.2 Inisialisasi matrik dalam memori komputer Dalam bahasa pemrograman Fortran77. Ini bukan satu-satunya cara menginisialisasi suatu matrik. Misalnya untuk matrik A bisa ditulis sebagai berikut .1) A(1.2 BAB 1. 1. 7.2) = = = = = = 1 3 5 9 2 4 Sementara dalam Matlab. b12 = 3.2) B = = = = = = 1.1) B(1. b21 = 5. sesuai dengan Contoh 1 adalah 1 2 3 4 5 6 A(1. 4.1) B(2. sesuai dengan Contoh 1 adalah 1 2 3 4 5 6 7 8 9 10 clear all clc A(1.1) B(2. ada juga cara lain yang relatif lebih mudah.1) A(2. b31 = 2. 3. sesuai Contoh 2 adalah 1 2 3 4 5 6 B(1.2) A(2. b22 = 9. 9. cara mengisi memori komputer dengan elemen-elemen matrik A2×3 .3) A(2.2) B(3.3) A(2.2) A(2. sesuai Contoh 2 adalah 1 2 3 4 5 6 7 8 9 10 clear all clc B(1. cara mengisi memori komputer dengan elemen-elemen matrik A2×3 . 4. 6.2) B(2.2) A(1.2) A(1.

3 Matrik simetrik Matrik simetrik adalah matrik bujursangkar yang elemen-elemen matrik A bernilai sama dengan matrik transpose-nya (At ).3. Contoh 3: Operasi transpose terhadap matrik A 3 8 5 6 4 7   3 6   At = 8 4 5 7 A= 1.3 Macam-macam matrik 1. B=[ 1 3 .3.2 Matrik bujursangkar Matrik bujursangkar adalah matrik yang jumlah baris dan jumlah kolomnya sama. demikian pula sebaliknya.1 Matrik transpose Operasi transpose terhadap suatu matrik akan menukar elemen-elemen dalam satu kolom menjadi elemen-elemen dalam satu baris. . 2 4]. MACAM-MACAM MATRIK 3 1 2 3 4 5 6 7 8 9 clear all clc A=[ 3 8 5 6 4 7 ].1. B=[ 1 3 5 9 2 4 ]. 1.3. 5 9 . Notasi matrik tranpose adalah AT atau At . atau 1 2 3 4 5 clear all clc A=[ 3 8 5 . 6 4 7 ]. Contoh 4: Matrik bujursangkar berukuran 3x3 atau sering juga disebut matrik bujursangkar orde 3   1 3 8   A = 5 9 7 2 4 6 1.3.

kecuali elemen-elemen diagonal yang seluruhnya bernilai 1.3.3.6 Matrik upper-triangular Matrik upper-tringular adalah matrik bujursangkar yang seluruh elemen dibawah elemen diagonal bernilai 0 (nol).3.5 Matrik identitas Matrik identitas adalah matrik bujursangkar yang semua elemen-nya bernilai 0 (nol). Contoh 7: Matrik identitas orde 3   1 0 0   I = 0 1 0 0 0 1 1.4 Contoh 5: Matrik simetrik   2 −3 7 1   −3 5 6 −2   A= 7 6 9 8   1 −2 8 10 1. Contoh 8: Matrik upper-triangular  3  0 A= 0  0 1.3. MATRIK DAN KOMPUTASI   −3 5 6 −2   A = 7 6 9 8   1 −2 8 10 t  2 −3 7 1  Matrik diagonal adalah matrik bujursangkar yang seluruh elemen-nya bernilai 0 (nol).  6 2 1  4 1 5  0 8 7  0 0 9 0 61   0 . Contoh 6: Matrik diagonal orde 3  11 0  A =  0 29 0 0 1. kecuali elemen-elemen diagonalnya.7 Matrik lower-triangular Matrik lower-tringular adalah matrik bujursangkar yang seluruh elemen diatas elemen diagonal bernilai 0 (nol).4 Matrik diagonal BAB 1.

1.3.2) dimana i=1.2.8 Matrik tridiagonal 5 Matrik tridiagonal adalah matrik bujursangkar yang seluruh elemen bukan 0 (nol) berada disekitar elemen diagonal. matrik B bukan matrik 1. diagonal dominan.3. Dengan demikian. |7| > |2|+|0|. sementara elemen lainnya bernilai 0 (nol).. Pada elemen diagonal aii matrik A.3.3) .. Sekarang perhatikan elemen diagonal matrik B. Coba perhatikan matrik-matrik berikut ini   7 2 0   A = 3 5 −1 0 5 −6  −3   B =  4 −2 0  −3 0 1 6 4  matrik A disebut matrik diagonal dominan.3. | − 2| < |4| + |0|.n. Contoh 10: Matrik tridiagonal   3 6 0 0   2 −4 1 0    A=  0 5 8 −7 0 0 3 9 1. MACAM-MACAM MATRIK Contoh 9: Matrik lower-triangular  0    32 −2 0 0   A= 7 11 0  8 −5 10 6 9  12 0 0 1. lalu |5| > |3|+|−1|. dan |1| < | − 3| + |0|. dan |−6| > |5|+|0|.9 Matrik diagonal dominan Matrik diagonal dominan adalah matrik bujursangkar yang memenuhi n |aii | > j=1.10 Matrik positive-definite Suatu matrik dikatakan positive-definite bila matrik tersebut simetrik dan memenuhi xt Ax > 0 (1. Maka |6| < |4| + | − 3|.3.j=i |aij | (1.

karena memenuhi 2 2 x1 + (x1 − x2 )2 + (x2 − x3 )2 + x3 > 0 kecuali jika x1 =x2 =x3 =0.4) Sedangkan suatu matrik dinamakan vektor-kolom berukuran n. MATRIK DAN KOMPUTASI untuk menguji apakah matrik A bersifat positive-definite. yang dinyatakan sebagai berikut  a11   a1       a21   a2  a= .6 Contoh 11: Diketahui matrik simetrik berikut  2 0 −1 2 0 BAB 1.3. yang dinyatakan sebagai berikut a = a11 a12 .  . am (1. an1 an (1.5) . maka  2 −1 0  x1   A = −1  −1 −1 2  xt Ax = = = 2x2 − 2x1 x2 + 2x2 − 2x2 x3 + 2x2 1 2 3    x1 x2 x3 −1 2 −1 x2  0 −1 2 x3   2x1 − x2   x1 x2 x3 −x1 + 2x2 − x3  −x2 + 2x3 2 = x2 + (x1 − x2 )2 + (x2 − x3 )2 + x3 1 2 = x2 + (x2 − 2x1 x2 + x2 ) + (x2 − 2x2 x3 + x3 ) + x2 1 1 2 2 3 Dari sini dapat disimpulkan bahwa matrik A bersifat positive-definite. a1m = a1 a2 . bila hanya memiliki satu baris dan m kolom.   .11 Vektor-baris dan vektor-kolom Notasi vektor biasanya dinyatakan dengan huruf kecil dan dicetak tebal. 1. = .  . .  . . bila hanya memiliki satu kolom dan n baris. . Suatu matrik dinamakan vektor-baris berukuran m. .

2. bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik tersebut.1 Penjumlahan matrik Operasi penjumlahan pada dua buah matrik hanya bisa dilakukan bila kedua matrik tersebut berukuran sama.1. yaitu d11 d12 d13 d21 d22 d23 = a11 + c11 a12 + c12 a13 + c13 a21 + c21 a22 + c22 a23 + c23 Dijabarkan satu persatu sebagai berikut d11 = a11 + c11 d12 = a12 + c12 d13 = a13 + c13 d21 = a21 + c21 d22 = a22 + c22 d23 = a23 + c23 Dari sini dapat diturunkan sebuah rumus umum penjumlahan dua buah matrik dij = aij + cij dimana i=1.2 dan j=1. (1.4 Operasi matematika 1. operasi penjumlahan antara matrik A2×3 dan C2×3 . OPERASI MATEMATIKA 7 1.3.4. Misalnya matrik C2×3 C= 9 5 3 7 2 1 dijumlahkan dengan matrik A2×3 . lalu hasilnya (misalnya) dinamakan matrik D2×3 D=A+C D = = = 3 8 5 6 4 7 + 9 5 3 7 2 1 3+9 8+5 5+3 6+7 4+2 7+1 12 13 8 13 6 8 Tanpa mempedulikan nilai elemen-elemen masing-masing matrik.6) .4.7) (1.

sebaliknya. dimana n adalah jumlah baris dan m adalah jumlah kolom.2 do j=1.j) . operasi penjumlahan antara matrik ditulis sebagai berikut: A2×3 dan C2×3 adalah 1 2 3 4 5 do i=1.j). Pokoknya yang looping-nya paling cepat harus diletakkan paling dalam.n do j=1. MATRIK DAN KOMPUTASI Berdasarkan contoh operasi penjumlahan di atas. end end Sedangkan dalam Fortran77.2 Komputasi penjumlahan matrik BAB 1.j).j)=A(i.j)=A(i.j)+C(i. looping paling luar adalah looping yang indeksnya paling jarang berubah.j)+C(i. Tentu saja anda bisa mengubah ukurannya sesuai dengan keperluan atau kebutuhan anda.8 1. dimana looping untuk indeks j harus diletakkan di dalam looping indeks i.j)+C(i.j)=A(i. Perlu dicatat bahwa ukuran matrik tidak terbatas hanya 2x3. algoritma penjumlahan dua matrik ditulis sebagai berikut: 1 2 3 4 5 for i=1:2 for j=1:3 D(i. maka bentuk pernyataan komputasinya dalam matlab menjadi 1 2 3 4 5 for i=1:n for j=1:m D(i. indeks j sudah berubah dari nilai 1 sampai 3.4.j)=A(i.3 D(i.6). end end sedangkan dalam Fortran77 1 2 3 do i=1.m D(i.7) lebih cepat berubah dibanding indeks i sebagaimana ditulis pada persamaan (1. d11 = a11 + c11 d12 = a12 + c12 d13 = a13 + c13 Jelas terlihat. indeks j pada persamaan (1. ketika indeks i masih bernilai 1. Hal ini membawa konsekuensi pada script pemrograman.j)+C(i.j) end do end do Perhatikan kedua script di atas! Penulisan indeks i harus didahulukan daripada indeks j. Dalam matlab. Jika ukuran matrik dinyatakan secara umum sebagai n x m.

A(1.3) = 3.j)=A(i. C(2. mari kita lengkapi dengan contoh sebagai berikut: diketahui matrik A2×3 A= dan matrik C2×3 C= 9 5 3 7 2 1 3 8 5 6 4 7 Program untuk menjumlahkan kedua matrik tersebut dalam matlab adalah: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 clear all clc A(1.1) = 7.3) = 1.3) = 5 A(2.3) = 5.1.j).1) = 9.1) = 3.2) = 4 A(2.1) = 7 C(2. C(1. A(1. A(2.2) = 5.n do j=1.2) = 2 C(2. C(1. C(2.2) = 5 C(1.3) = 7. A(2.2) = 4. end end sedangkan dalam Fortran77 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A(1.j)+C(i.2) = 8 A(1.3) = 1 n=2 m=3 do i=1. C(2.m .1) = 6 A(2.1) = 6.2) = 8. A(2.1) = 9 C(1.2) = 2. n=2 m=3 for i=1:n for j=1:m D(i. C(1.3) = 7 C(1.4. OPERASI MATEMATIKA 4 5 9 end do end do Sekarang.1) = 3 A(1.3) = 3 C(2.

j)=A(i.b22 + a13 . Misalnya matrik A2×3 dikalikan dengan matrik B3×2 .b21 + a23 .8) (1.b22 + a23 .1 + 4.4 6. maka elemen-elemen matrik E2×2 adalah e11 = a11 .b21 + a13 .b31 e22 = a21 .2 6.b12 + a12 .2 3.b12 + a22 .j) end do end do 1. yaitu e11 e12 e21 e22 = a11 .b21 + a13 . mari kita amati perubahan pasangan angka-angka indeks yang mengiringi elemen e.b22 + a23 . Jadi kedua matrik tersebut tidak harus berukuran sama seperti pada penjumlahan dua matrik.8) sampai persamaan (1.9 + 7.3 Perkalian matrik Operasi perkalian dua buah matrik hanya bisa dilakukan bila jumlah kolom matrik pertama sama dengan jumlah baris matrik kedua.b22 + a13 .b21 + a23 .10) (1. lalu hasilnya (misalnya) dinamakan matrik E2×2 E2×2 = A2×3 .9) (1.b11 + a22 .5 + 5.5 + 7.b11 + a12 .b31 e12 = a11 .4.j)+C(i.b11 + a22 .b32 Bila dijabarkan.4 53 101 40 82 Tanpa mempedulikan nilai elemen-elemen masing-masing matrik. bisa juga dinyatakan dalam indeks masing-masing dari kedua matrik tersebut. a dan b pada persamaan (1.b31 a21 .11).11) Sejenak.b12 + a12 .b12 + a22 . MATRIK DAN KOMPUTASI D(i.9 + 5.3 + 4.b32 e21 = a21 .b11 + a12 .B3×2 E =   1 3 3 8 5   5 9 6 4 7 2 4 = = 3.b32 (1. Perhatikan perubahan angka indeks .10 17 18 19 BAB 1.1 + 8.b32 a21 .3 + 8. operasi perkalian antara matrik A2×3 dan B3×2 .b31 a11 .

. OPERASI MATEMATIKA pertama pada elemen e seperti berikut ini e1.b.1 + ai....1. .. ..b. .b. ..b...... = ai..1 + ai.j + ai.. . . ...... + a2.... ... ei..b. . + ai.b....b.. ei..b. e2....4. e2... . + a2. .j .j + ai..b. . Pola perubahan yang sama akan kita dapati pada angka indeks pertama dari elemen a e1.2 + ai. + a1. + a2...1 + ai. = .b.2 + ai.. + a1....1 ei2 = ai....2 + ai...b. .. .b.. ..b. = a1.b. = a2.b. + a2. = a1.. + a1.... .. .b.b........j eij = ai.... e2....2. ...b.. .. ei.b..b..j + ai. + a1.. + ai. .b.2 + ai. ...b.. .... masih dari persamaan (1... = a2..b..b. = ai. .b...1 ei2 = ai.b.... + ai.b...b.j + ai. .. . ..j + ai.b. ... Selanjutnya.b. .j eij = ai. .b. = ..j + ai..... .1 + ai.j + ai.b..2 Dengan demikian kita bisa mencantumkan huruf j sebagai pengganti angka-angka indeks yang polanya sama eij = ai... .8) sampai persamaan (1. 11 Dengan demikian kita bisa mencantumkan huruf i sebagai pengganti angka-angka indeks yang polanya sama ei.. + ai.. ... + ai. = ai. . .j + ai. atau kita nyatakan i=1. = . e1.... .b. .b.. = ai.b. + ai. marilah kita perhatikan perubahan angka indeks masih pada elemen e dan elemen b. + ai..j eij = ai... .b. e1. .. dimana i bergerak mulai dari angka 1 hingga angka 2..b.b. .. ei1 = ai.b. + ai.b...2 ei1 = ai. . e2....b..b. = ...b...b. .b... .. .11).. .b.b...b.. . . . ..

b3j eij = ai1 . .b3j Dan kita bisa mencantumkan huruf k sebagai pengganti angka-angka indeks yang polanya sama.2.b2j + ai3 .bkj Selanjutnya dapat ditulis pula formula berikut 3 (1.4. dimana kita akan dapati pola sebagai berikut eij = ai1 . .3.bkj + aik .bkj eij = aik .bkj eij = aik . maka secara umum bila ada matrik An×m yang dikalikan dengan matrik Bm×p . 1.3.bkj + aik .m.bkj Kemudian secara sederhana dapat ditulis sebagai berikut eij = aik . . masih dari persamaan (1. Berdasarkan contoh ini.4 Komputasi perkalian matrik Komputasi operasi perkalian antara matrik A2×3 dan B3×2 dilakukan melalui 2 tahap.2.bkj + aik .n.b1j + ai2 .bkj + aik .b3j eij = ai1 .12 BAB 1. dan k=1. akan didapatkan matrik En×p dimana elemen-elemen matrik E memenuhi m eij = k=1 aik bkj (1. .bkj + aik .bkj + aik .2.12) eij = k=1 aik bkj (1. eij = aik . . .b1j + ai2 . dimana k bergerak mulai dari angka 1 hingga angka 3.bkj + aik .b2j + ai3 . end end . atau kita nyatakan k=1. j=1. .2. Selanjutnya.0.p. j=1. pertama adalah memberikan nilai 0 (nol) pada elemen-elemen matrik E2×2 dengan cara (dalam matlab) 1 2 3 4 5 for i=1:2 for j=1:2 E(i.bkj + aik .2.bkj + aik . mari kita perhatikan perubahan angka indeks masih pada elemen a dan elemen b. . atau kita nyatakan j=1.j)=0.2.b2j + ai3 .13) dimana i=1.b2j + ai3 .11).bkj + aik .b3j eij = ai1 .14) dengan i=1.8) sampai persamaan (1. MATRIK DAN KOMPUTASI dimana j bergerak mulai dari angka 1 hingga angka 2. .2.2.bkj eij = aik . dan k=1.b1j + ai2 .b1j + ai2 ..

j)=E(i.j). pasti anda akan menemukan fakta bahwa indeks k paling cepat berubah.2 do j=1.j) end do end do end do Sebentar.k)*B(k.. Lalu yang paling jarang berubah adalah indeks i.j)=0. OPERASI MATEMATIKA 13 dalam Fortran77 1 2 3 4 5 do i=1. kemudian indeks j.j)+A(i. Mengapa indeks i didahulukan daripada indeks j dan k? Ini bukan sesuatu yang kebetulan.2 do k=1. Kalau anda perhatikan dengan teliti.j)=E(i. looping paling luar adalah looping yang indeksnya paling jarang berubah.4. Tentu saja anda bisa mengubah ukurannya sesuai dengan keperluan atau kebutuhan anda. Kemudian disusul oleh indeks j.2 do j=1. dan yang terakhir indeks k sebagai looping terdalam. Sekali lagi ingin saya tegaskan bahwa penempatan yang demikian semata-mata mengikuti aturan umum yaitu looping yang indeksnya berubah paling cepat harus diletakkan paling dalam.0.. penempatan urutan indeks pada script di atas harus dimulai dari i terlebih dahulu sebagai looping terluar.0 end do end do kedua adalah menghitung perkalian matrik dengan cara (dalam matlab) 1 2 3 4 5 6 7 for i=1:2 for j=1:2 for k=1:3 E(i.3 E(i.k.2 E(i. end end for i=1:n .j)=0. j dan k pada script di atas.j. Itulah sebabnya. maka bentuk pernyataan komputasinya dalam Matlab menjadi 1 2 3 4 5 6 for i=1:n for j=1:p E(i. end end end dalam Fortran77 1 2 3 4 5 6 7 do i=1.k)*B(k.j)+A(i. sebelum dilanjut tolong perhatikan penempatan indeks i. sebaliknya. Dan ini juga bukan sekedar mengikuti urutan huruf abjad i. Jika ukuran matrik A dinyatakan secara umum sebagai n x m dan matrik B berukuran m x p.1.

x2 + a13 . operasi perkalian antara matrik A dan vektor-kolom x. MATRIK DAN KOMPUTASI for j=1:p for k=1:m E(i.x3 a21 .j)+A(i. end end end dalam Fortran77 1 2 3 4 5 6 7 8 9 10 11 12 do i=1.j)+A(i.n do j=1. Hanya saja ukuran vektor-kolom boleh dibilang spesial yaitu m x 1.2 + 4.j). pada contoh 1. yaitu y1 y2 = a11 . dikalikan dengan vektor-kolom x yang berukuran 3 x 1 atau disingkat dengan mengatakan vektor-kolom x berukuran 3.p E(i.4.x3 .0 end do end do do i=1.n do j=1.x1 + a12 .k)*B(k.j)=0.2 + 8.x2 + a23 . lalu hasilnya (misalnya) dinamakan vektor-kolom y y = Ax y =   2 3 8 5   3 6 4 7 4 = = 3.3 + 5. Misalnya matrik A.4 50 52 Sekali lagi.j) end do end do end do dimana akan diperoleh hasil berupa matrik E yang berukuran n x p.x1 + a22 . 1.4 6.14 7 8 9 10 11 12 BAB 1.m E(i. dimana m merupakan jumlah baris sementara jumlah kolomnya hanya satu.p do k=1.j)=E(i.3 + 7. tanpa mempedulikan nilai elemen-elemen masing-masing.5 Perkalian matrik dan vektor-kolom Operasi perkalian antara matrik dan vektor-kolom sebenarnya sama saja dengan perkalian antara dua matrik.k)*B(k. bisa juga dinyatakan dalam indeksnya masing-masing.j)=E(i.

komputasi untuk operasi perkalian antara matrik A berukuran n x m dan vektor-kolom x berukuran m dilakukan melalui 2 tahap. .x2 + a23 .j)*x(j.1)=b(i.1.n.1).0 end do do i=1.6 Komputasi perkalian matrik dan vektor-kolom Sama seperti perkalian dua matrik. secara umum bila ada matrik A berukuran n x m yang dikalikan dengan vektor-kolom x berukuran m.n do j=1. Lalu tahap kedua adalah melakukan proses perkalian.15) dengan i=1. maka akan didapatkan vektor-kolom y berukuran n x 1 dimana elemen-elemen vektor-kolom y memenuhi m yi = j=1 aij xj (1. OPERASI MATEMATIKA Bila dijabarkan.4.x2 + a13 . . end for i=1:n for j=1:m b(i. maka elemen-elemen vektor-kolom y adalah y1 = a11 .j)*x(j.n b(i.x1 + a12 .1)=b(i. pertama adalah memberikan nilai 0 (nol) pada elemen-elemen vektor-kolom y yang berukuran n.. Kedua tahapan ini digabung jadi satu dalam program berikut ini 1 2 3 4 5 6 7 8 for i=1:n b(i. Berdasarkan contoh tersebut.x1 + a22 .1) end do end do .1)+A(i.x3 kemudian secara sederhana dapat diwakili oleh rumus berikut 3 15 yi = j=1 aij xj dimana i=1.x3 y2 = a21 . 1. end end dan dalam Fortran 1 2 3 4 5 6 7 8 do i=1.1)+A(i.1)=0.4. .0.1)=0.m b(i.2.2.

3069  8.3   3 10 5 0. 4.8 −2.5 Penutup Demikianlah catatan singkat dan sederhana mengenai jenis-jenis matrik dasar yang seringkali dijumpai dalam pengolahan data fisika secara numerik.7 −12 −8.1   B= −2 9 −5  7 2. dan vektor x sebagai berikut  1 3 −6 −2   8 1 4 21   0.7   −2.16 BAB 1.   5 9 7 5. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x. 3.4 0.1 . Buatlah script untuk menyelesaikan penjumlahan matrik A dan matrik B. Buatlah script untuk menyelesaikan perkalian matrik A dan matrik B. MATRIK DAN KOMPUTASI 1. Buatlah script untuk menyelesaikan perkalian matrik A dan vektor x. 2. Semuanya akan dijadikan acuan atau referensi pada pembahasan topik-topik numerik yang akan datang.9 5.3 1.6 Latihan Diketahui matrik A.4178  1. matrik B.9587   x=   56.6    A= 4 8 −1   2 2. 1.

P3 . dan P4 seperti berikut ini: P1 P2 P3 P4 : : : : x1 2x1 3x1 −x1 + + − + x2 x2 x2 2x2 + + + − 3x4 x4 2x4 x4 = = = = 4 1 -3 4 − − + x3 x3 3x3 Problem dari sistem persamaan linear adalah bagaimana mencari nilai pengganti bagi variabel x1 .. 2. x2 . x3 . 2. Contoh pertama Misalnya ada sistem persamaan linear yang terdiri dari empat buah persamaan yaitu P1 . Langkah awal penyelesaian problem tersebut adalah dengan melakukan penyederhanaan sistem persamaan linear. dan x4 sehingga semua persamaan diatas menjadi benar. ⊲ Membuat algoritma metode Eliminasi Gauss. ⊲ Mengenalkan teknik triangularisasi dan substitusi mundur.1) dimana a dan b merupakan konstanta. P2 . ⊲ Aplikasi metode Eliminasi Gauss menggunakan matrik. + ann xn = bn (2.1 Sistem persamaan linear Secara umum. 3. sistem persamaan linear dinyatakan sebagai berikut Pn : an1 x1 + an2 x2 + .Bab 2 Metode Eliminasi Gauss  Objektif : ⊲ Mengenalkan sistem persamaan linear.. . ⊲ Menghitung invers matrik menggunakan metode Eliminasi Gauss. 17 .. x adalah variable... n = 1.

Kita akan berpatokan pada tiga buah aturan operasi untuk menyederhanakan sistem persamaan linear di atas. −x2 − x3 − 5x4 = −7. yaitu • Persamaan Pi dapat dikalikan dengan sembarang konstanta λ. 3x2 + 3x3 + 2x4 = 8 2. lalu hasilnya ditempatkan di posisi persamaan Pi . Simbol operasi ini adalah (λPi ) → (Pi ). problem sistem persamaan linear di atas akan diselesaikan dengan langkah-langkah berikut ini: 1. −4x2 − x3 − 7x4 = −15. Simbol operasi ini adalah (Pi + λPj ) → (Pi ). −x2 − x3 − 5x4 = −7. sedemikian rupa sehingga apapun persamaannya. P3 dan P4 seperti ini dengan cara (P2 − 2P1 ) → (P2 ). Maka dengan berpegang pada aturan-aturan tersebut. (P3 − 3P1 ) → (P3 ) dan (P4 + P1 ) → (P4 ). Simbol operasi ini adalah (Pi ) ↔ (Pj ). dibutuhkan satu operasi lagi untuk menghilangkannya. • Persamaan Pj dapat dikalikan dengan sembarang konstanta λ kemudian dijumlahkan dengan persamaan Pi . kita berhasil mendapatkan sistem persamaan linear yang lebih sederhana. Hasilnya akan P1 : P2 : P3 : P4 : x1 + x2 + 3x4 = 4. Namun hasil operasi pada langkah ke-2 ternyata sudah otomatis menghilangkan x3 . lalu hasilnya ditempatkan di posisi persamaan Pi . Gunakan persamaan P1 untuk menghilangkan variabel x1 dari persamaan P2 . Bentuk akhir dari keempat persamaan di atas. Gunakan persamaan P2 untuk menghilangkan variabel x2 dari persamaan P3 dan P4 dengan cara (P3 − 4P2 ) → (P3 ) dan (P4 + 3P2 ) → (P4 ). Sampai dengan langkah ke-2 ini. bisa disederhanakan oleh komputer. • Persamaan Pi dan Pj dapat bertukar posisi. Hasilnya akan seperti ini P1 : P2 : P3 : P4 : x1 + x2 + 3x4 = 4. METODE ELIMINASI GAUSS 2. −13x4 = −13 Kalau x3 masih ada di persamaan P4 .2 Triangularisasi dan Substitusi Mundur Ada banyak jalan untuk mendapatkan bentuk yang lebih sederhana. Apa yang dimaksud dengan sederhana dalam konteks ini? Suatu sistem persamaan linear dikatakan sederhana bila kita bisa mendapatkan seluruh nilai pengganti variabelnya dengan cara yang lebih mudah atau dengan usaha yang tidak . 3x3 + 13x4 = 13. dikenal sebagai bentuk triangular. kita ingin mendapatkan sebuah algoritma program yang nantinya bisa berjalan di komputer. namun masalahnya.18 BAB 2.

sebagaimana yang dijelaskan pada langkah berikutnya. coba diulangi bacanya sekali lagi. Coba sekarang anda cek. P4 : P3 : P2 : P1 : x4 = −13 −13 = 1. Selanjutnya kita jalankan proses backward-substitution. dan akhirnya x1 . x1 = 4 − 3x4 − x2 = 4 − 3 − 2 = −1 apakah semua solusi ini cocok dan tepat bila dimasukan ke sistem persamaan linear yang pertama. Melalui proses ini. 1 1 x3 = (13 − 13x4 ) = (13 − 13) = 0. Kalau belum paham. yaitu yang belum disederhanakan? Jadi solusinya adalah x1 = −1. lalu diikuti x2 . sekarang kita beralih kecontoh yang lain. . mudah-mudahan ngerti ya. OK.2... Sekali kita mendapatkan nilai pengganti bagi variabel x4 . 3. 3 3 x2 = −(−7 + 5x4 + x3 ) = −(−7 + 5 + 0) = 2. x2 = 2.2. x2 dan x1 akan diperoleh dengan mudah dan cepat. kemudian x3 . x3 = 0 dan x4 = 1. TRIANGULARISASI DAN SUBSTITUSI MUNDUR 19 memakan waktu lama dibandingkan sebelum disederhanakan. Atau. yang pertama kali didapat adalah nilai pengganti bagi variabel x4 . maka x3 .

20 Contoh kedua

BAB 2. METODE ELIMINASI GAUSS

Misalnya ada sistem persamaan linear, terdiri dari empat buah persamaan yaitu P1 , P2 , P3 , dan P4 seperti berikut ini: P1 P2 P3 P4 : : : : x1 2x1 x1 x1 − − + − x2 2x2 x2 x2 + + + + 2x3 3x3 x3 4x3 − − + x4 3x4 3x4 = = = = -8 -20 -2 4

Seperti contoh pertama, solusi sistem persamaan linear di atas akan dicari dengan langkahlangkah berikut ini: 1. Gunakan persamaan P1 untuk menghilangkan x1 dari persamaan P2 , P3 dan P4 dengan cara (P2 − 2P1 ) → (P2 ), (P3 − P1 ) → (P3 ) dan (P4 − P1 ) → (P4 ). Hasilnya akan seperti ini P1 : P2 : P3 : P4 : x1 − x2 + 2x3 − x4 = −8, −x3 − x4 = −4, 2x2 − x3 + x4 = 6, 2x3 + 4x4 = 12

Perhatikan persamaan P2 ! Akibat dari langkah yang pertama tadi, x2 hilang dari persamaan P2 . Kondisi ini bisa menggagalkan proses triangularisasi. Untuk itu, posisi P2 mesti ditukar dengan persamaan yang berada dibawahnya, yaitu P3 atau P4 . Supaya proses triangularisasi dilanjutkan kembali, maka yang paling cocok adalah ditukar dengan P3 . 2. Tukar posisi persamaan P2 dengan persamaan P3 , (P2 ↔ P3 ). Hasilnya akan seperti ini P1 : P2 : P3 : P4 : x1 − x2 + 2x3 − x4 = −8, 2x2 − x3 + x4 = 6, −x3 − x4 = −4, 2x3 + 4x4 = 12

3. Gunakan persamaan P3 untuk menghilangkan x3 dari persamaan P4 dengan cara (P4 − 2P3 ) → (P4 ). Hasilnya akan seperti ini P1 : P2 : P3 : P4 : Sampai disini proses triangularisasi telah selesai.

x1 − x2 + 2x3 − x4 = −8, 2x2 − x3 + x4 = 6, −x3 − x4 = −4, 2x4 = 4

2.3. MATRIK DAN ELIMINASI GAUSS

21

4. Selanjutnya adalah proses backward-substitution. Melalui proses ini, yang pertama kali didapat solusinya adalah x4 , kemudian x3 , lalu diikuti x2 , dan akhirnya x1 . P4 : P3 : P2 : P1 : 4 2 −4 + x4 x3 = −1 6 + x3 − x4 x2 = 2 x1 = −8 + x2 − 2x3 + x4 x4 = = 2, = 2, = 3, = −7

Jadi solusinya adalah x1 = −7, x2 = 3, x3 = 2 dan x4 = 2.

Berdasarkan kedua contoh di atas, untuk mendapatkan solusi sistem persamaan linear, diperlukan operasi triangularisasi dan proses backward-substitution. Kata backward-substitution kalau diterjemahkan kedalam bahasa indonesia, menjadi substitusi-mundur. Gabungan proses triangularisasi dan substitusi-mundur untuk menyelesaikan sistem persamaan linear dikenal sebagai metode eliminasi gauss.

2.3

Matrik dan Eliminasi Gauss

Sejumlah matrik bisa digunakan untuk menyatakan suatu sistem persamaan linear. Sejenak, mari kita kembali lagi melihat sistem persamaan linear secara umum seperti berikut ini: a11 x1 + a12 x2 + . . . + a1n xn = b1 a21 x1 + a22 x2 + . . . + a2n xn = b2 ............... = ... ............... = ... an1 x1 + an2 x2 + . . . + ann xn = bn Sementara, kalau dinyatakan dalam bentuk operasi matrik, maka akan seperti ini:  a11 a12 . . . a1n       x1 x2 . . . xn   b1 b2 . . . bn      

  a21 a22 . . . a2n  . . .  . . . . .  . an1 an2 . . . ann

    =    

(2.2)

Dalam mencari solusi suatu sistem persamaan linear dengan metode eliminasi gauss, bentuk operasi matrik di atas dimanipulasi menjadi matrik augment, yaitu suatu matrik yang beruku-

22 ran n x (n + 1) seperti berikut ini:  a11 a12 . . . a1n | b1   a11 a12

BAB 2. METODE ELIMINASI GAUSS

. . . a1n

  a21 a22 . . . a2n | b2  . . . .  . . . . . | . .  . an1 an2 . . . ann | bn

    a21 a22 . . . a2n | a2,n+1 = . . . .   . . . . . . | .   . an1 an2 . . . ann | an,n+1

| a1,n+1

    

(2.3)

Berdasarkan contoh pertama yang ada dihalaman depan catatan ini, saya akan tunjukkan proses triangularisasi dan substitusi-mundur dalam operasi matrik terhadap sistem persamaan linear yang terdiri dari empat persamaan matematika, yaitu (silakan lihat kembali contoh pertama):  1 1 0 3  x1   4 

  2 1 −1 1   3 −1 −1 2  3 −1 −1 2 

      x2   1  =     x   −3   3    x4 4      

Lalu kita dapat membuat matrik augment sebagai berikut: 1 1 0 3 | 4

  2 1 −1 1 | 1   3 −1 −1 2 | −3  −1 2 3 −1 | 4 pertama, yaitu  1 1 0 3 | 4

Kemudian kita lakukan operasi triangularisai terhadap matrik augment, dimulai dari kolom

   0 −1 −1 −5 | −7     0 −4 −1 −7 | −15    0 3 3 2 | 8 lalu dilanjutkan ke kolom berikutnya  1 1 0 3 | 4 

  0 −1 −1 −5 | −7   0 0 3 13 | 13  0 0 0 −13 | −13

    

Sebelum dilanjutkan ke substitusi-mundur, saya ingin menegaskan peranan angka-angka indeks dari masing-masing elemen matrik augment tersebut. Silakan perhatikan posisi masing-

java. adalah sebagai berikut: 1. = . dan x1 . sistem persamaan linear adalah sebagai berikut: a11 x1 + a12 x2 + . C. + ann xn = bn Algoritma dasar metode eliminasi gauss.4 Algoritma eliminasi Gauss Secara umum. yaitu xn = lalu dilanjutkan dengan x3 . . pascal. an1 x1 + an2 x2 + . yaitu suatu matrik . . . + a1n xn = b1 a21 x1 + a22 x2 + .n+1 − n j=i+1 aij xj aii Proses triangularisasi dan substitusi-mundur dibakukan menjadi algoritma metode eliminasi gauss yang dapat diterapkan dalam berbagai bahasa pemrograman komputer. + a2n xn = b2 . ALGORITMA ELIMINASI GAUSS masing elemen berikut ini:  1 1 0 3 | 4   a11 a12 a13 a14 | a15       23   0 −1 −1 −5 | −7   0 0 3 13 | 13  0 0 0 −13 | −13      →  a21 a22 a23 a24 | a25  a   31 a32 a33 a34 | a35  a41 a42 a43 a44 | a45 Dengan memperhatikan angka-angka indeks pada matrik augment di atas. . misalnya fortran. kita akan mencoba membuat rumusan proses substitusi-mundur untuk mendapatkan seluruh nilai pengganti variabel x. . . a35 − a34 x4 a33 a25 − (a23 x3 + a24 x4 ) x2 = a22 a15 − (a12 x2 + a13 x3 + a14 x4 ) x1 = a11 x3 = = = = 13 − [(13)(1)] =0 3 (−7) − [(−1)(0) + (−5)(1)] =2 (−1) 4 − [(1)(2) + (0)(0) + (3)(1)] = −1 1 ini juga dapat dinyatakan dalam rumus umum yaitu: xi = ai. . x4 = −13 a45 = =1 a44 −13 an. . . .2. Dimulai dari x4 . . dan lain-lain.4. 2. Ubahlah sistem persamaan linear tersebut menjadi matrik augment.n+1 ann ini dapat dinyatakan dalam rumus umum. matlab. x2 . . .

a3n ...  .. . . 0 a33 . . 0 0 ann | a1. . |  | an. .  .. . x1 dengan cara: xi = dimana i = n − 1.n+1 ann (2. 1. xn−2 . .n+1 .03). | . a2n | b2  .. . . .8) . Apakah ada yang bernilai nol? Elemen-elemen pivot adalah elemen-elemen yang menempati diagonal suatu matrik.. .24 yang berukuran n x (n + 1) seperti berikut ini:  a11 a12 .7) 5. . an1 an2 .n+1 4. Namun. 2. n. . . maka proses pertukaran ini dilakukan juga). METODE ELIMINASI GAUSS a12   a21 a22 . dimana j = i + 1. an1 an2 . . Jika aii = 0.n+1 − n j=i+1 aij xj aii (2. n. 2. 0  | a2. ann atau disingkat aii . bisa dilanjutkan ke langkah no. .n+1    . . . .n+1 = . ai. . . . . Sebaiknya. . Lakukanlah operasi berikut: Pj − aji Pi → Pj aii (2. | . . . . jika ada elemen diagonal yang bernilai nol. aii = 0.. . . . aii = 0. n. i + 2. . .. a2n 0 .5) posisinya dengan baris yang ada dibawahnya. Hitunglah nilai xn dengan cara: xn = an. .... .. . . (Pi ) ↔ (Pj ) dimana j = i + 1. Selanjutnya algoritma dasar tersebut perlu dirinci lagi sebelum dapat diterjemahkan kedalam bahasa pemrograman komputer. .n+1 = bi dimana i = 1. walaupun elemen diagonalnya tidak nol. maka baris dimana elemen itu berada harus ditukar sampai elemen diagonal matrik menjadi tidak nol.  .6)   0   0   . . .n+1   | a3. a22 . silakan lihat namun mendekati nol (misalnya 0. x2 .. a2n | a2. . n − 2.. . (Kalau kurang jelas.   .3. a1n | a1.  .  . 3. a1n a22 a23 . . .. Lakukanlah proses substitusi-mundur untuk memperoleh xn−1 . 2.   .n+1       (2. i + 2. a1n | b1   a11 BAB 2. yaitu ai. . yaitu a11 . . Demikianlan algoritma dasar metode eliminasi gauss. Periksalah elemen-elemen pivot. . Maka matrik augment akan menjadi:  a11 a12 a13 .n+1  (2. . Proses triangularisasi.4) Jelas terlihat bahwa elemen-elemen yang menempati kolom terakhir matrik augment adalah nilai dari bi . . ann | an.. ... .. lagi contoh kedua yang ada dihalaman 3. ann | bn     a21 a22 .

4. • Langkah 5: Untuk j = i + 1. + ann xn = bn 25 INPUT: sejumlah persamaan linear dimana konstanta-konstanta-nya menjadi elemen-elemen matrik augment A = (aij ).. . . | . .n+1 = . lakukan Langkah 6 dan Langkah 7. . | .9) • Langkah 2: Untuk i = 1. . P1 : P2 : . .  . . • Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemenelemen matrik augment. . Lalu program berakhir: STOP.. + a2n xn = b2 . . . . a2n | b2  . . . . Jika p = i maka lakukan proses pertukaran (Pp ) ↔ (Pi ).n+1         a21 a22 . maka program harus mencari dan memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan kolom tempat elemen diagonal tersebut berada..   . . .. an1 x1 + an2 x2 + . . yaitu saat p = n tetap didapat nilai api = 0. sementara integer p (indeks dari baris) bergerak dari p = i sampai p = n. maka bisa dipastikan p = i. . OUTPUT: solusi x1 . .  . . . . ALGORITMA ELIMINASI GAUSS 2.. an1 an2 . . + a1n xn = b1 a21 x1 + a22 x2 + . yaitu suatu matrik yang berukuran n x (n + 1) seperti berikut ini:  a11 a12 . • Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh elemen yang tidak nol (api = 0). n − 1. . . .. Pn : a11 x1 + a12 x2 + . . Jadi saat proses ini berlangsung. a2n | a2. .. mji = aji aii . . Jika ada elemen diagonal yang bernilai nol (aii = 0).1 Algoritma Algoritma metode eliminasi gauss untuk menyelesaikan n x n sistem persamaan linear. x2 .4. a1n | a1. ann | bn     a21 a22 . . . . = . integer i (indeks dari kolom) dibuat konstan.   .n+1 (2. . . ann | an. Bila ternyata setelah mencapai elemen paling bawah dalam kolom tersebut. . . a1n | b1   a11 a12 . xn atau pesan kesalahan yang mengatakan bahwa sistem per- samaan linear tidak memiliki solusi yang unik. . n. . . . • Langkah 6: Tentukan mji .2. • Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. . maka sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang unik. Lalu pastikan bahwa api = 0.. dengan 1 ≤ i ≤ n dan 1 ≤ j ≤ n + 1. . . lakukan Langkah 3 sampai Langkah 5. x3 . . . . an1 an2 .

xn . x2 .I.I2..*) ’MASUKAN ELEMEN-ELEMEN MATRIK AUGMENT’ M = N + 1 DO 50 I = 1.*) MENAMPILKAN MATRIK AUGMENT .A)’) ’JUMLAH PERSAMAAN ? ’ READ (*.A.. Lalu program berakhir: STOP. METODE ELIMINASI GAUSS • Langkah 7: Lakukan proses triangularisasi. Saya berasumsi bahwa anda sudah menguasai dasar-dasar pemrograman dalam fortran.J) CONTINUE CONTINUE WRITE (*. xi = ai..*) ’=PROGRAM ELIMINASI GAUSS=’ WRITE (*. Program ini sudah dicoba di-compile dengan fortran77 under Linux Debian dan visual-fortran under windows-XP. ukuran maksimum matrik augment adalah 10 x 11. yaitu statemen DIMENSION.’(1X. Algoritma telah dijalankan dengan sukses.*) LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK AUGMENT WRITE (*. Jika ann = 0. untuk mencari 10 variabel yang tidak diketahui.11).*) N WRITE (*.. Jika anda bermaksud memperbesar atau memperkecil ukuran matrik augment. X(10) REAL MJI WRITE (*. . Dalam program ini.’.. • Langkah 9: Jika ann = 0. silakan sesuaikan angka ukuran matrik yang anda inginkan pada statemen pertama dari program ini. STOP. 1 tentukan xi .M WRITE (*.I2.*) WRITE (*.*) A(I. dimulai dengan menentukan xn . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 C 60 50 C DIMENSION A(10. Langkah-langkah yang tercantum pada program ini disesuaikan dengan langkah-langkah yang tertulis di atas.26 BAB 2.n+1 − n j=i+1 aij xj aii • Langkah 11: Diperoleh solusi yaitu x1 . Inilah programnya.J. periksalah ann . kirimkan pesan: sistem persamaan linear tidak memiliki solusi yang unik.’(1X.A)’) ’A(’. xn = an. (Pj − mji Pi ) → (Pj ) • Langkah 8: Setelah proses triangularisasi dilalui.n+1 ann • Langkah 10: Untuk i = n − 1.’) = ’ READ (*. Saya telah membuat program sederhana dalam fortran untuk mewujudkan algoritma eliminasi gauss. lakukan proses substitusi mundur..’.A.N DO 60 J = 1. .

A)’) ’MATRIK AUGMENT:’ DO 110 I = 1.N WRITE (*.’(1X.*) LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT DAN PROSES TUKAR POSISI NN = N-1 DO 10 I=1.N) LANGKAH 10: PROSES SUBSTITUSI MUNDUR L = N-1 DO 15 K=1.M) CONTINUE WRITE (*.K)-MJI*A(I.0E-20 .JJ) A(P.’(1X.J=1.N LANGKAH 6: TENTUKAN MJI MJI = A(J.N)).5) GOTO 400 END IF LANGKAH 4: PROSES TUKAR POSISI IF(P.N+1)THEN MENAMPILKAN PESAN TIDAK UNIK WRITE(*.M A(J.J).N SUM = SUM+A(I.I)/A(I.NE.8))’) (A(I.JJ) A(I.8))’) (A(I.L I = L-K+1 JJ = I+1 SUM = 0.0 DO 16 KK=JJ.4.N) IF(ABS(A(N.5) GOTO 400 END IF LANGKAH 9: MENGHITUNG X(N) X(N) = A(N.A)’) ’HASIL TRIANGULARISASI:’ DO 120 I = 1.N+1)/A(N.1.K) = A(J.GE.1.M) CONTINUE LANGKAH 8: MEMERIKSA ELEMEN A(N.I) = 0 CONTINUE CONTINUE MENAMPILKAN HASIL TRIANGULARISASI WRITE (*. ALGORITMA ELIMINASI GAUSS 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 27 110 C C 100 200 C C 20 C C C 40 30 10 C 120 C C C C WRITE (*.I) LANGKAH 7: MELAKUKAN PROSES TRIANGULARISASI DO 40 K=JJ.5(F14.JJ) = C CONTINUE END IF LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI JJ = I+1 DO 30 J=JJ.OR.’(1X.GT.5(F14.JJ) = A(P.0E-20) THEN MENAMPILKAN PESAN TIDAK UNIK WRITE(*.K) CONTINUE A(J.N WRITE (*.2.KK)*X(KK) .EQ.NN LANGKAH 3: MENDEFINISIKAN P P = I IF (ABS(A(P. P.N) GOTO 200 P = P+1 GOTO 100 IF(P.’(1X.J=1.J).I) THEN DO 20 JJ=1.I)).LT.M C = A(I.

k)).I) CONTINUE LANGKAH 11: MENAMPILKAN HASIL PERHITUNGAN WRITE (*.j). A(j+1. A(1.p)=v.8)’) ’X(’.1)=6.N+1)-SUM)/A(I.’SISTEM LINEAR TIDAK MEMILIKI SOLUSI YANG UNIK’) FORMAT(1X. A(j. A(3.p)=u.7) DO 18 I = 1. A(1. METODE ELIMINASI GAUSS CONTINUE X(I) = (A(I.2)=1.1)=1. A(2.4)=10.2)=0.28 78 79 80 81 82 83 84 85 86 87 88 89 90 91 BAB 2. A(2.I.’(1X. A(3.2)=-4.p).I2. A(2.3)=-1.4)=24.3)=2.X(I) CONTINUE STOP FORMAT(1X. A n=3 %jumlah persamaan pause %========== Proses Triangularisasi ========= for j=1:(n-1) %----mulai proses pivot--if (A(j.j)==0) for p=1:n+1 u=A(j.N WRITE (*. A(3.’) = ’.j)/A(j.k)=A(i. A(1. end end end A . for i=jj:n m=A(i. end end %----akhir proses pivot--jj=j+1.’SOLUSI UNIK’) END 16 15 C 18 400 5 7 Script eliminasi gauss dalam matlab juga telah dibuat. Namun dalam anda perlu memodifikasi elemen-elemen matrik A agar sesuai dengan data yang hendak anda olah. for k=1:(n+1) A(i.k)-(m*A(j. v=A(j+1. A(2.4)=0. A(3.1)=6.*) WRITE (*.p).F14.3)=0.A.A. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 clear all clc A(1.

end x 2.1).n+1)-S)/A(i.n).i). CONTOH APLIKASI 41 42 43 44 45 46 47 48 49 50 51 52 53 54 29 pause %========= Akhir Proses Triangularisasi === %------Proses Substitusi mundur------------x(n. for i=n-1:-1:1 S=0.1 Menghitung arus listrik Gunakan metode Eliminasi Gauss untuk menentukan arus i1 . for j=n:-1:i+1 S=S+A(i.5.1)=A(n.2.5.n+1)/A(n. end x(i.j)*x(j. i2 dan i3 yang mengalir pada rangkaian berikut ini jawab: Berdasarkan Hukum Kirchhoff: I1 + I2 = I3 10 − 6I1 − 2I3 = 0 −14 + 6I1 − 10 − 4I2 = 0 Lalu kita susun ulang ketiga persamaan di atas menjadi seperti ini: I1 + I2 − I3 = 0 6I1 + 2I3 = 10 6I1 − 4I2 = 24 .5 Contoh aplikasi 2.1)=(A(i.

(−1) = 6 a24 = a24 − m.(1) = 0 a32 = a32 − m.a14 = 24 − (6).(−1) = 8 a34 = a34 − m.a11 a31 6 = = 6 a11 1 = 6 − (6).(1) = −10 a23 = a23 − m.a13 = 0 − (6).30 Kemudian dinyatakan dalam bentuk matriks:  1 1 −1  I1  BAB 2.a12 = −4 − (6).(1) = 0 a22 = a22 − m.(0) = 10 Sampai disini matriks augment mengalami perubahan menjadi  1 1 −1 6 8 0    0 −10 0 −6  24  10 .a13 = 2 − (6).(0) = 24 m= a31 = a31 − m. METODE ELIMINASI GAUSS   6 −4 6 0     0   I2  =  24  2 I3 10  0  Selanjutkan kita susun matriks augmentasi sebagai berikut:  1 1 −1 0 2 0    6 −4 6 0 bagai berikut:  24  10 Langkah berikutnya adalah menghitung matriks triangularisasi dengan langkah-langkah se- m= a21 = a21 − m.a14 = 10 − (6).a11 6 a21 = = 6 a11 1 = 6 − (6).a12 = 0 − (6).(1) = −6 a33 = a33 − m.

+ a1n xn = b1 a21 x1 + a22 x2 + .. MENGHITUNG INVERS MATRIK Kelanjutan langkah menuju triangularisasi adalah m= a31 = a31 − m... 4 24 − (6). 4   24   0 −10 6 0 0 4. ....2. Ax = b (2.... 4 = −1 4.(−1) + (1). + a2n xn = b2 . = .... besar masing-masing arus pada rangkaian di atas adalah I1 = 2A. 4 Sekarang tinggal melakukan proses substitusi mundur a34 a33 a24 − a23 .a21 = 0 − ( a32 a22 = −6 −10 31 −6 ). . 4 = −4... .. = .(−1) = −3 −10 (0 − [(−1)..6 Menghitung invers matrik Sekali lagi saya ulangi apa yang pernah kita bahas di awal bab ini yaitu bahwa sistem persamaan linear dapat dinyatakan sebagai berikut: a11 x1 + a12 x2 + .... Tanda minus (-) memiliki arti bahwa arah arus yang sesungguhnya berlawanan Dengan demikian.. I2 = −3A 2.. an1 x1 + an2 x2 + .a23 = 8 − ( )..(−3)] =2 1 arah dengan asumsi awal yang kita gunakan.I3 + a12 .6. 4 −4.....a22 = −6 − ( −10 −6 a33 = a33 − m. + ann xn = bn Sistem persamaan linear tersebut dapat dinyatakan dalam bentuk operasi matrik.(0) −10 −6 )..(24) −10 maka matriks triangularisasi berhasil didapat yaitu  1 1 −1 0  = 0 = 0 = 4. .(6) −10 −6 a34 = a34 − m.I3 I2 = a22 a14 − (a13 .. dan I3 = −1A.10) .(−10) a32 = a32 − m. .. ..a24 = 10 − ( )..I2 ) I1 = a11 I3 = = = = −4. ..

. .  . 2  A−1 =   −2 9 4 9 −1 3 5 9 1 −9 1 3 −1 9 2 9 1 3    Bila keduanya dikalikan. 1 (2. maka matrik A disebut singular. METODE ELIMINASI GAUSS   a21 a22 . a2n A= .. 0  . . ann   .  ... . . . ann dimana  a11 a12 . bn         a21 a22 . an1 an2 . . . . Jika matrik A tidak memiliki invers.      b=    b1 b2 . bn       Dalam kaitannya dengan invers matrik. xn   . .11)  A=  0 . . . .. xn BAB 2.. matrik A−1 adalah invers dari matrik A. . an1 an2 . .  . Atau dengan kata lain. a1n       x1 x2 . 0    AA−1 = I =    Misalnya diketahui. yaitu suatu matrik yang elemen-elemen diagonalnya bernilai 1. . . a1n       =      b1 b2 .     x=    x1 x2 . .. .  . . . . matrik A disebut matrik non-singular jika matrik A memiliki matrik invers dirinya yaitu A−1 . .. .  .  . .  1 2 −1 2 1 −1 1  −2 9 5 9 1 −9 1 3  AA−1 =  pedoman. . . . a2n  . . . . 0 0 . .  1 0 .32 sehingga bentuknya menjadi seperti ini:  a11 a12 . Bila matrik A dikalikan dengan matrik A−1 maka akan menghasilkan matrik identitas I.  0  4 9 2 −1 3 −1 9 2 9 1 3     = 0 1 0  0 0 1  1 0 0  Lalu bagaimana cara mendapatkan matrik invers. .. .  1 2 −1 2 1 −1 1   0 1 . . .11) bisa dijadikan AA−1 = I    1 2 −1 2 1 −1 1  i11 i12 i13   1 0 0      0   i21 i22 i23  =  0 1 0  2 i31 i32 i33 0 0 1 . maka akan menghasilkan matrik identitas. A−1 ? Persamaan (2.  . . . .

Diawali dengan membentuk matrik augment:    diikuti oleh (P3 + P2 )→(P3 ):  1 2 −1 | 1 2 −1 | 1 0 0 2 1 −1 1   0 | 0 1 0  2 | 0 0 1 Lalu dilanjutkan dengan proses triangularisasi: (P2 −2P1 )→(P2 ) dan (P3 +P1 )→(P3 ). matrik augment yang telah mengalami triangularisasi tersebut dipecah menjadi tiga buah matrik augment seperti berikut ini:  1 2 −1 | 1   1 2 −1 | 0   1 2 −1 | 0    0 −3 0 0  2 | −2  3 | −1   0 −3 0 0  2 | 1  3 | 1   0 −3 0 0  2 | 0  3 | 1 Langkah pamungkasnya adalah melakukan proses substitusi mundur pada ketiga matrik augment di atas.6. yaitu matrik A−1 .  −2 9 4 9 −1 3 5 9 1 −9 1 3  A−1 =  −1 9 2 9 1 3    Keberadaan matrik A−1 bisa digunakan untuk menyelesaikan sistem persamaan linear . sehingga diperoleh: 2 i11 = − 9 4 9 i12 = i32 = 5 9 1 3 i21 = i31 = − 1 3 1 i22 = − 9 i13 = − 1 9 i23 = i33 = 2 9 1 3 Hasil tersebut digabung menjadi sebuah matrik. kemudian 1 0 0   1 2 −1 | 1 0 0    0 −3 0 3  2 | −2 1 0  1 | 1 0 1 →   0 −3 0 0  2 | −2 1 0  3 | −1 1 1 Langkah berikutnya. A−1 dapat diperoleh dengan menerapkan metode eliminasi gauss. MENGHITUNG INVERS MATRIK dalam hal ini matrik A−1 adalah  i11 i12 i13  33   A−1 =  i21 i22 i23  i31 i32 i33 Elemen-elemen matrik invers.2.

20).*) ’=PROGRAM INVERS MATRIK DENGAN ELIMINASI GAUSS=’ WRITE (*.*) . Program ini ditulis dengan bahasa fortran. Saya telah memodifikasi program eliminasi gauss yang terdahulu. BK. Penyelesaian sistem persamaan linear menjadi lebih mudah bila matrik A−1 sudah diketahui. D(10. dengan cara sebagai berikut Ax = b BAB 2. X(10) REAL MJI INTEGER TKR. secara konseptual kita dianjurkan mengetahui cara bagaimana mendapatkan matrik A−1 . untuk mendapatkan matrik A−1 .10).34 (mencari nilai x ).12). 1 2 3 4 5 DIMENSION A(10. Namun bagaimanapun. sudah berhasil dikompilasi dalam Linux Debian (g77) dan Windows XP (Visual Fortran). maka elemen-elemen vektor x dapat dicari dengan cara x = A−1 b  2 −9 5 9 −1 9 1 3 1 −9 2 9 1 3  x= 4 9 −1 3  2     3  =  4   7 9 13 9 5 3    Akhirnya diperoleh solusi x1 = 7/9. diperlukan langkah-langkah. Misalnya diketahui sistem persamaan linear x1 + 2x2 − x3 = 2 2x1 + x2 = 3 −x1 + x2 + 2x3 = 4 Bila dikonversikan kedalam operasi matrik menjadi    1 2 −1 2 1 −1 1  x1   2      0   x2  =  3  2 x3 4 Berdasarkan persamaan (2. METODE ELIMINASI GAUSS A−1 Ax = A−1 b Ix = A−1 b x = A−1 b (2. seperti yang sudah dibahas pada contoh pertama di atas. TK. yang berakibat in-efisiensi proses penyelesaian (secara komputasi) bila dibandingkan dengan metode eliminasi gauss untuk memecahkan sistem persamaan linear. Sayangnya. Q WRITE (*. dan x3 = 5/3.12) Contoh berikut ini akan menjelaskan prosesnya secara lebih rinci. x2 = 13/9. untuk keperluan perhitungan matrik invers. Inilah programnya.

GE.JJ) A(P.6. BK = 0 MENGHITUNG JUMLAH OPERASI TAMBAH/KURANG (TK).’(1X.’(1X.J) CONTINUE CONTINUE LANGKAH 2: MENDEFINISIKAN MATRIK IDENTITAS WRITE (*.JJ) A(I.N+N C = A(I.EQ.EQ. MENGHITUNG INVERS MATRIK 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 35 C 60 50 C 80 70 C 110 C C C C C 100 200 C C 20 C LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A WRITE (*.A)’) ’MATRIK AUGMENT:’ DO 110 I = 1.I.I)).A)’) ’A(’.*) WRITE (*.’) = ’ READ (*.J) = 1 END IF CONTINUE CONTINUE WRITE (*.’.J=1.N) GOTO 200 P = P+1 GOTO 100 IF(P.I) THEN DO 20 JJ=1.0E-20 .’(1X.*) ’MENDEFINISIKAN MATRIK IDENTITAS’ DO 70 I = 1. TK = 0 LANGKAH 3: MEMERIKSA ELEMEN2 PIVOT DAN PROSES TUKAR POSISI NN = N-1 DO 10 I=1.J.8))’) (A(I.I2.J) = 0 IF (I+N .A.GT.1.N DO 60 J = 1.5(F14.N DO 80 J = M.N WRITE (*. MULA2 TKR = 0 TKR = 0 MENGHITUNG JUMLAH OPERASI BAGI/KALI (BK).N WRITE (*.N+N A(I.N+1)THEN MENAMPILKAN PESAN SINGULAR WRITE(*.JJ) = A(P.A)’) ’JUMLAH PERSAMAAN ? ’ READ (*.2.*) A(I.*) ’MASUKAN ELEMEN-ELEMEN MATRIK A’ M = N + 1 DO 50 I = 1.A.*) N WRITE (*.I2.’(1X.JJ) = C TKR = TKR + 1 CONTINUE END IF LANGKAH 6: PERSIAPAN PROSES TRIANGULARISASI JJ = I+1 .*) MENAMPILKAN MATRIK AUGMENT WRITE (*. J) THEN A(I.NE.OR.NN LANGKAH 4: MENDEFINISIKAN P P = I IF (ABS(A(P.’.*) MENGHITUNG JUMLAH TUKAR (TKR) POSISI.J). P.5) GOTO 400 END IF LANGKAH 5: PROSES TUKAR POSISI IF(P.N+N) CONTINUE WRITE (*.

*) WRITE (*.Q)/A(N.A)’) ’HASIL TRIANGULARISASI:’ DO 120 I = 1.KK)*D(J.5(F14.N Q=N+J LANGKAH 10: MENGHITUNG A(N.N) = A(N.K) = A(J.I6) C C 40 30 10 C 120 C C C C 16 15 500 C 220 400 5 8 9 11 .K)-MJI*A(I.I6) FORMAT(1X.’(1X.3X.Q)-SUM)/A(I.N) IF(ABS(A(N.’JUMLAH OPERASI BAGI/KALI = ’. METODE ELIMINASI GAUSS DO 30 J=JJ.A)’) ’MATRIK INVERS:’ DO 220 I = 1.0 DO 16 KK=JJ.’JUMLAH OPERASI JUMLAH/KURANG = ’.I) BK = BK + 1 TK = TK + 1 CONTINUE CONTINUE LANGKAH 12: MENAMPILKAN HASIL PERHITUNGAN WRITE (*.1.’(1X.I)/A(I.K) BK = BK + 1 TK = TK + 1 CONTINUE A(J.N)).0E-20) THEN MENAMPILKAN PESAN SINGULAR WRITE(*.I).J=1.N) BK = BK + 1 LANGKAH 11: PROSES SUBSTITUSI MUNDUR L = N-1 DO 15 K=1.5) GOTO 400 END IF DO 500 J = 1.5(F14.N) D(J.’JUMLAH TUKAR POSISI = ’.’(1X.I) = (A(I.LT.8))’) (A(I.N WRITE (*.9) BK WRITE(*.J=1.N+N A(J.’MATRIK A BERSIFAT SINGULAR’) FORMAT(1X.I5) FORMAT(1X.’(1X.N) CONTINUE WRITE(*.L I = L-K+1 JJ = I+1 SUM = 0.8) TKR WRITE(*.I) BK = BK + 1 LANGKAH 8: MELAKUKAN PROSES TRIANGULARISASI DO 40 K=JJ.KK) BK = BK + 1 TK = TK + 1 CONTINUE D(J.N+N) CONTINUE LANGKAH 9: MEMERIKSA ELEMEN A(N.I) = 0 CONTINUE CONTINUE MENAMPILKAN HASIL TRIANGULARISASI WRITE (*.8))’) (D(J.3X.N SUM = SUM+A(I.11) TK STOP FORMAT(1X.N WRITE (*.J).3X.N LANGKAH 7: TENTUKAN MJI MJI = A(J.36 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 BAB 2.

2. Saya cukupkan sementara sampai disini.7 Penutup Silakan anda coba aplikasikan program di atas dengan berbagai sistem persamaan linear yang pernah dijadikan contoh pada catatan terdahulu. Kalau ada yang mau didiskusikan. PENUTUP 124 37 END 2. silakan hubungi saya melalui email yang tercantum di halaman paling depan.7. . Insya Allah akan saya sambung lagi dilain waktu.

.

⊲ Mengenalkan model parabola.Bab 3 Aplikasi Eliminasi Gauss pada Masalah Inversi  Objektif : ⊲ Mengenalkan model garis. lalu sejumlah parameter model mesti dicari dengan teknik inversi. Tabel pengukuran secara sederhana disajikan seperti ini: Tabel 3.1) . model parabola dan model bidang. saya mencoba menuliskan aplikasi Metode Eliminasi Gauss sebagai dasardasar teknik inversi yaitu meliputi model garis. Mari kita mulai dari model garis. Uraian aplikasi tersebut diawali dari ketersediaan data observasi.1). Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini: m1 + m2 zi = Ti 39 (3.1 Inversi Model Garis Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin dalam. temperatur semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N = 4) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ). 3. ⊲ Mengenalkan model bidang.1: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 35 2 z2 = 16 T2 = 57 3 z3 = 25 T3 = 75 4 z4 = 100 T4 = 225 Grafik sebaran data observasi ditampilkan pada Gambar (3. Pada bab ini.

1: Sebaran data observasi antara temperatur dan kedalaman dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. dan G disebut matrik kernel. Ti . Sedangkan m1 dan m2 disebut parameter model. zi . Sementara jumlah data observasi ada empat. (M = 2). Lantas bagaimana cara menda- . Pada model matematika di atas terdapat dua buah parameter model. m adalah model parameter. Rumus di atas disebut model matematika. dan temperatur. kita bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut: m1 + m2 z1 = T1 m1 + m2 z2 = T2 m1 + m2 z3 = T3 m1 + m2 z4 = T4 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:  1 z1        T1    1 z2   1 z 3  1 z4 Lalu ditulis secara singkat m1 m2    T2   =  T   3  T4 (3.40 BAB 3. juga dinyatakan dalam vektor kolom. (N = 4).2) Gm = d (3.3) dimana d adalah data yang dinyatakan dalam vektor kolom. Berdasarkan model tersebut. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI Variasi temperatur terhadap kedalaman 250 200 Temperatur (Celcius) 150 100 50 0 0 10 20 30 40 50 60 Kedalaman (meter) 70 80 90 100 Gambar 3. yaitu nilai-nilai kedalaman.

Tentukan transpos dari matrik kernel. yaitu Gt  1 z1     1 z2    G= 1 z3    1 z4 2. diperlukan langkah-langkah perhitungan berikut ini: 1. Selanjutnya.5) 5. Kemudian tentukan pula Gt d  T1  Gd= t 1 1 1 1 z1 z2 z3 z4    T2     T =  3  T4 Ti z i Ti 4.4) dimana t disini maksudnya adalah tanda transpos matrik. Sekarang persamaan (3. INVERSI MODEL GARIS patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya Gt Gm = Gt d 41 (3. 3. Untuk mempermudah perhitungan. 4. Untuk itu. 2. untuk mendapatkan elemen-elemen m.4) dapat dinyatakan sebagai N zi zi 2 zi m1 m2 = Ti z i Ti (3.1. Tentukan Gt G ⇒ Gt = 1 1 1 1 z1 z2 z3 z4 GG= t 1 1 1 1  1 z1 z1 z2 z3 z4   1 z2   1 z 3  1 z4   =    N zi zi 2 zi dimana N = 4 dan i = 1. kita masukan dulu angka-angka yang tertera pada .3. 3. tentukan matrik augment-nya N zi zi 2 zi | | Ti z i Ti 6. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur.

G(3.1)=35.2)=z2. G(2. T(1.1)=1. disp(’Elemen-elemen matriks kernel G’) G(1. 4 146 | 392 146 10906 | 25462 7.1)=1. z4=100.1)=225. dengan proses substitusi mundur. T(3. perkalian matrik dan script eliminasi gauss. Lakukan proses triangularisasi dengan operasi (P2 − (36. Hasilnya adalah 4 146 | 392 = a11 a12 | a13 0 5577 | 11154 a21 a22 | a23 8. G(1. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI tabel pengukuran dihalaman depan.1)=1. z3=25.1)=57.42 BAB 3. Pertama tentukan m2 m2 = lalu tentukan m1 m1 = a23 11154 = =2 a22 5577 392 − (146)(2) a13 − a12 m2 = = 25 a11 4 3. G(3. G(2.2)=z4. Saya sertakan pula indeks masing-masing elemen pada matrik augment sebagaimana yang telah saya lakukan pada catatan kuliah yang berjudul Metode Eliminasi Gauss. G(4.1)=1. T(2.2)=z1. yaitu script transpose matriks.1.2)=z3. Terakhir. 5)P1 ) → P2 . G .1)=75. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 clc clear all disp(’Data observasi’) z1=5. G(4. T(4. z2=16.1 Script matlab inversi model garis Script inversi model garis ini dibangun dari beberapa script yang sudah kita pelajari sebelumnya. tentukan konstanta m1 dan m2 yang merupakan elemen-elemen vektor kolom m. Silakan pelajari maksud tiap-tiap baris pada script ini.

end end GT disp(’Perkalian GT dan G’) for i=1:M for j=1:M GTG(i.j).k)*G(k. INVERSI MODEL GARIS 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 43 d=T.1). end end for i=1:M for j=1:M for k=1:N GTG(i. %jumlah data M=2. end end end GTd A=GTG. end end for i=1:M for j=1:1 for k=1:N GTd(i. %====== Menggabungkan Vektor GTd kedalam matrik A ======== n=M.k)*d(k.j)+GT(i.j)=GTG(i. d N=4.j)+GT(i. end end end GTG disp(’Perkalian GT dan d’) for i=1:M for j=1:1 GTd(i. for i=1:n A(i.j).1.i)=G(i.j)==0) for p=1:n+1 .3. end A %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j.j)=GTd(i. %model parameter disp(’Mencari G transpos’) for i=1:N for j=1:M GT(j.j).j)=0.j)=0.n+1)=GTd(i.

p).j)*x(j.n+1)/A(n. Anda bisa mengaplikasikan pada kasus lain.k)=A(i. for i=n-1:-1:1 S=0. sementara script yang panjangnya 113 line dapat diterjemahkan dengan sangat mudah ke dalam bahasa pemrograman selain matlab. end end end %------------------------------------------%------Proses Substitusi mundur------------x(n.p)=u.j)/A(j. Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur.n+1)-S)/A(i. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI u=A(j.44 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 BAB 3. v=A(j+1. Jadi teknik-teknik yang dipelajari disini harus bisa diterapkan di selain matlab. end end %----akhir proses pivot--jj=j+1. for j=n:-1:i+1 S=S+A(i. end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& disp(’Model parameter yang dicari’) m=x Sebetulnya.k)).n). A(j. Kita tidak sedang belajar matlab. Selanjutnya mari kita pelajari inversi model parabola.k)-(m*A(j. matlab telah menyediakan fungsi-fungsi intrinsik yang bisa digunakan sehingga dapat memperkecil jumlah baris pada script di atas.j). Dari line 28 sampai line 113 dapat dipangkas menjadi 1 m=inv(G’*G)*G’*d %Proses inversi linear Lalu mengapa kita harus bersusah payah membangun script yang begitu panjang bila matlab bisa melakukannya dengan mudah? Karena kita sedang mempelajari teknik-teknik komputasi untuk menyelesaikan problem sains dan teknik.p)=v. .p). for i=jj:n m=A(i.1)=(A(i. end x(i. A(j+1. Script singkat m = inv(G′ ∗ G) ∗ G′ ∗ d hanya berlaku di matlab. for k=1:(n+1) A(i.i). dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini.1)=A(n.1). yaitu model persamaan garis atau disingkat model garis: y = m1 + m2x.

dan T8 . 75 2 z2 = 8 T2 = 22. 87 5 z5 = 30 T5 = 40.. temperatur semakin tinggi. (M = 3). 68 3 z3 = 14 T3 = 25.2: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 21. Rumus di atas disebut model.. Sedangkan m1 . 72 7 z7 = 45 T7 = 63. Jadi pada model di atas terdapat tiga buah model parameter. kita bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut: 2 m1 + m2 z1 + m3 z1 = T1 2 m1 + m2 z2 + m3 z2 = T2 2 m1 + m2 z3 + m3 z3 = T3 2 m1 + m2 z4 + m3 z4 = T4 2 m1 + m2 z5 + m3 z5 = T5 2 m1 + m2 z6 + m3 z6 = T6 2 m1 + m2 z7 + m3 z7 = T7 2 m1 + m2 z8 + m3 z8 = T8 . m2 dan m3 adalah konstanta-konstanta yang akan dicari. Tabel pengukuran secara sederhana disajikan seperti ini: Tabel 3. INVERSI MODEL PARABOLA 45 3. m2 dan m3 disebut model parameter. 5 6 z6 = 36 T6 = 48. Berdasarkan model tersebut. 62 4 z4 = 21 T4 = 30..6) dimana m1 .2. Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 . T2 .. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ).2 Inversi Model Parabola Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin dalam. 75 8 z8 = 60 T8 = 96 Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini: 2 m1 + m2 zi + m3 zi = Ti (3.3.

46 BAB 3. m adalah model parameter. Selanjutnya. Tentukan Gt G  2 1 z2 z2   2 1 z3 z3    2  1 z4 z4  2 1 z5 z5    2  1 z6 z6  2 1 z7 z7   2 1 z8 z8    Gt =  z1 z2 z3 z4 z5 z6 z7 z8  2 2 2 2 2 2 2 2 z1 z2 z3 z4 z5 z6 z7 z8  1 1 1 1 1 1 1 1  ⇒  Gt G =  z 1  1 1 z2 1 z3 1 z4 1 z5 1 z6 1 z7 2 2 2 2 2 2 2 z1 z2 z3 z4 z5 z6 z7      1   z8     2 z8       2 1 z1 z1  2 1 z2 z2   2 1 z3 z3     2 1 z4 z4   = 2 1 z5 z5    2  1 z6 z6  2 1 z7 z7   2 1 z8 z8  N zi 2 zi zi 2 zi 3 zi 2 zi 3  zi  4 zi  . juga dinyatakan dalam vektor kolom. yaitu Gt  2 1 z1 z1        G=        2.8) 2 1 z1 z1    2  T2  1 z2 z2     2   T3  1 z3 z3         m1 2  1 z4 z4     T4     m2  =  2 T5  1 z5 z5        m3 2  T6  1 z6 z6      T  2 1 z7 z7   7   2 T8 1 z8 z8   T1  (3. Lantas bagaimana cara mendapatkan nilai m1 . untuk mendapatkan elemen-elemen m.9) dimana t disini maksudnya adalah tanda transpos matrik. dan G disebut matrik kernel.7) dimana d adalah data yang dinyatakan dalam vektor kolom. Tentukan transpos dari matrik kernel. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:                 Lalu ditulis secara singkat Gm = d (3. diperlukan langkah-langkah perhitungan berikut ini: 1. m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya Gt Gm = Gt d (3.

3. Hasilnya adalah    8 0 8547 219 393423 8547 19787859 2551. 88 |  3316..14) dapat dinyatakan sebagai (ini khan least square juga.10) 5. tentukan matrik augment-nya    N zi 2 zi zi 2 zi 3 zi 2 zi | Ti 3 zi | 4 zi |  z i Ti  2 z i Ti  6. 88 159448.  8 219 8547 | 349. Sekarang persamaan (3. INVERSI MODEL PARABOLA dimana N = 8 dan i = 1. 57  | 594915. Untuk itu. 81   219 8547 393423 19787859 | 594915. 3.2. Untuk mempermudah perhitungan. 33 7.!?)    N zi 2 zi zi 2 zi 3 zi 2 zi   3  zi   m2  =  4 zi m3  m1   Ti  z i Ti  2 z i Ti  (3.. 8. . Lakukan proses triangularisasi dengan operasi (P2 − (219/8)P1 ) → P2 . kita masukan dulu angka-angka yang tertera pada tabel pengukuran dihalaman depan... Kemudian tentukan pula Gt d  T1   Gt d =  z 1  1 1 z2 1 z3 1 z4 1 z5 1 z6 1 z7 2 2 2 2 2 2 2 z1 z2 z3 z4 z5 z6 z7      1   z8     2 z8       T2   T3     T4   = T5    T6   T7   T8 Ti  z i Ti  2 z i Ti  4. operasi berikutnya (P3 − (8547/8)P1 ) → P3 . 2. 33 | 349. 89  8. 89    8547 393423 | 12894. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. 47 3. Masih dalam proses triangularisai.. Hasilnya .

19 a31 a32 a33 | a34 kolom m. z4=21. 88)P2 ) → P3 . Masih dalam proses triangularisai. 88 | 221101. 19 pada matrik augment sebelum melakukan proses substitusi mundur. 88 | 3316. 6 9. 88/2551. 88 349. 57  0 0 693609. Pertama tentukan m3 m3 = lalu m2 m2 = dan m1 m1 = 13872.88 10656457. 57 − (159448. . 1 2 3 4 5 6 7 clc clear all z1=5. tentukan konstanta m1 . 05 a22 2551. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI  8 219 8547   159448. z2=8. 89  | 349. 88 0 159448. dengan proses substitusi mundur.1 Script matlab inversi model parabola Perbedaan utama script ini dengan script inversi model garis terletak pada inisialisasi elemenelemen matrik kernel. 48 10. Elemen-elemen matrik kernel sangat ditentukan oleh model matematika yang digunakan.  8 219 8547 | 349. Hasilnya adalah  8 219 8547 | 349. operasi berikutnya (P3 − (159448. 02 a33 693609. Terakhir. 89     0 2551. 89 − [(219)(0. 48 | 13872. 88 159448. 57   0 2551. 88 | 3316. 48 | 13872. z3=14.48 adalah BAB 3. 88 | 3316. 88)(0. 05) + (8547)(0. 88 159448. 89   a11 a12 a13 | a14  (3. matrik kernelnya diturunkan dari persamaan parabola. m2 dan m3 yang merupakan elemen-elemen vektor a24 − a23 m3 3316. 19 a34 = = 0. 02) = = 0.2. 02) a14 − (a12 m2 + a13 m3 ) = = 21 a11 8 3. saya ingin menyertakan pula notasi masing-masing elemen      0 2551. Seperti pada script ini.11) Seperti catatan yang lalu. 57  ⇔  a21 a22 a23 | a24  0 0 693609.

1)=30.62. G(4.2)=z5. G(7.j). G(2.2.2)=z8.1)=21.3)=z3^2. z6=36. T(1. G(2. end end GT disp(’Perkalian GT dan G’) for i=1:M .1)=48.3)=z8^2.3)=z1^2.1)=25. G(7. G(6.75. G(1. d N=8. G d=T. G(8.1)=40.3)=z5^2. G(3. z7=45.3.1)=1.1)=1.1)=1.2)=z7. %jumlah data M=3.1)=1.3)=z6^2. T(2. G(3.87. G(1.1)=1.2)=z2.1)=1. T(3. G(8.3)=z7^2. T(5.2)=z3.i)=G(i. G(8. G(1.1)=63. T(6. G(5. %model parameter pause %%%%%===========Proses inversi============== disp(’Mencari G transpos’) for i=1:N for j=1:M GT(j. T(4. G(5.1)=1. G(6.3)=z2^2. G(2. T(7. G(3.68. INVERSI MODEL PARABOLA 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 49 z5=30.1)=96.1)=1.72. z8=60.2)=z1. T(8.2)=z6. G(5. G(4.5.1)=22. G(4. G(7.3)=z4^2.2)=z4. G(6.75.

APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI for j=1:M GTG(i.j)=GTd(i.k)*d(k. %====== Menggabungkan Vektor GTd kedalam matrik A ======== n=M.1).k)=A(i.j). A(j.p).p)=u. for k=1:(n+1) A(i.k)*G(k.j)/A(j. end end %----akhir proses pivot--jj=j+1.j)=0. end A pause disp(’Hasil Eliminasi Gauss’) %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j.j)=0.j)=GTG(i. end end for i=1:M for j=1:1 for k=1:N GTd(i.p)=v.j). end end end GTd A=GTG.j)+GT(i. v=A(j+1. A(j+1.j).j)+GT(i.n+1)=GTd(i. end end end GTG disp(’Perkalian GT dan d’) for i=1:M for j=1:1 GTd(i.k)).p).50 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 BAB 3. for i=jj:n m=A(i.k)-(m*A(j. end end for i=1:M for j=1:M for k=1:N GTG(i.j)==0) for p=1:n+1 u=A(j. end end . for i=1:n A(i.

. . ..12) dimana m1 . for i=n-1:-1:1 S=0. Berdasarkan model tersebut. end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& %%%%%%%%%%%=====AKHIR DARI INVERSI MODEL GARIS========== m=x Demikianlah contoh aplikasi metode Eliminasi Gauss dengan substitusi mundur. saya akan membahas model yang mengandung tiga model parameter dalam 2 dimensi. INVERSI MODEL BIDANG 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 51 end %------------------------------------------%------Proses Substitusi mundur------------x(n.1). end x(i. m1 + m2 xN + m3 yN = dN . . .i). di . .3.n). .j)*x(j. . dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. d2 . .n+1)/A(n. kita bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut: m1 + m2 x1 + m3 y1 = d1 m1 + m2 x2 + m3 y2 = d2 m1 + m2 x3 + m3 y3 = d3 . d3 .n+1)-S)/A(i. saya ingin langsung saja mengajukan sebuah model untuk 2-dimensi berikut ini: m1 + m2 xi + m3 yi = di (3. m2 dan m3 merupakan model parameter yang akan dicari. . .3. Anda bisa mengaplikasikan pada kasus lain. . Adapun yang berlaku sebagai data adalah d1 .3 Inversi Model Bidang Dalam catatan ini saya belum sempat mencari contoh pengukuran yang sesuai untuk model 2-dimensi. yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan parabola: y = m1 + m2 x + m3 x2 .1)=A(n. Maka. .. Pada catatan berikutnya. 3..1)=(A(i. for j=n:-1:i+1 S=S+A(i. . .

dan G disebut matrik kernel.  yN dN dimana d adalah data yang dinyatakan dalam vektor kolom. Kemudian tentukan pula Gt d  d1   Gt d =  x1 x2 x3 · · · xN y1 y2 y3 · · · yN  1 1 1 ··· 1           d2   d3  =    . . Selanjutnya.52 BAB 3.  dN di  xi di  yi d i  . .  m3 .  .  . .. .  . x1 x2 x3 . 2.  . Lantas bagaimana cara mendapatkan nilai m1 . . 3. . . . diperlukan langkah-langkah perhitungan berikut ini: 1. N . .  . Tentukan transpos dari matrik kernel. dan i = 1. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:          Lalu ditulis secara singkat Gm = d (3.  . . untuk mendapatkan elemen-elemen m. m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya Gt Gm = Gt d (3. y1   d1  1 xN      d2  y2  m1    y3   m2  =  d3       .  yN   Gt =  x1 x2 x3 · · · xN  y1 y2 y3 · · · yN  1 1 1 ··· 1   Gt G =  x1 x2 x3 · · · xN y1 y2 y 3 · · · yN  1 1 1 ··· 1          1 1 1 . y1  ⇒     G=    2. juga dinyatakan dalam vektor kolom..13) 1 1 1 .  yN  N xi yi xi 2 xi yi xi yi  xi yi  2 yi  dimana N = jumlah data.  . . . m adalah model parameter. y1 1 xN   y2   y3  =    .  . x1 x2 x3 .. 3.   . Tentukan Gt G 1 xN  y2   y3   . . yaitu Gt  1 1 1 .14) dimana t disini maksudnya adalah tanda transpos matrik.   . x1 x2 x3 .

85 1. tentukan xi yi | | | di  xi di  yi d i  6. 3.ac. Insya Allah akan saya sambung lagi dilain waktu.4.20 1.25 0.3: Data ketinggian terhadap waktu dari planet X Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m) 0.86 2. silakan hubungi saya melalui email: supri@f isika.75 7. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut Tabel 3.75 5.00 7.id.50 7.75 8.96 4.4. persamaan (3.25 3.38 3. Kalau ada yang mau didiskusikan.25 5. Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model lin- Anda bisa mengaplikasikan data pengukuran yang anda miliki.00 5.13 4.77 0. Saya cukupkan sementara sampai disini. Sekarang.1 Menghitung gravitasi di planet X Seorang astronot tiba di suatu planet yang tidak dikenal.94 3.40 3. ia segera mengeluarkan kamera otomatis.07 5.50 2.77 2.75 1.00 8.75 6.4 Contoh aplikasi 3. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini.14) dapat dinyatakan sebagai    matrik augment-nya    ear dan model parabola) N xi yi xi x2 i xi yi yi 2 yi 53 N xi yi xi x2 i xi yi yi    xi yi   m2  =  2 yi m3  m1   di  xi di  yi d i  (3.00 4.10 4.75 3.00 7.50 7.58 2.52 1. Untuk itu.50 6.15) 5.3.25 8.50 6.00 2. Aplikasikan metode Eliminasi Gauss dengan Substitusi Mundur. CONTOH APLIKASI 4. Setibanya disana.90 Plot data pengukuran waktu vs ketinggian diperlihatkan sebagai berikut . yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.72 4.00 0.25 7.73 1. lalu melakukan ekperimen kinematika yaitu dengan melempar batu vertikal ke atas.ui.62 0.25 6.

54 9 BAB 3. Untuk mencari vo dan g menggunakan metode inversi. jawab: Berdasarkan tabel di atas. Jika anda menggunakan asumsi model matematik dari Gerak-Lurus-Berubah-Beraturan (GLBB) seperti ini 1 ho + vo t − gt2 = h 2 maka gunakanlah prinsip-prinsip inversi untuk menentukan kecapatan awal. mula-mula kita definisikan terlebih dahulu m1 dan m2 : m1 = vo sehingga persamaan model GLBB menjadi 5 + m1 ti + m2 t2 = hi i dimana i menunjukkan data ke-i. Langkah selanjutnya adalah menentukan nilai tiap-tiap ele1 m2 = − g 2 .5 4 4.5 Waktu (detik) 3 3. vo dan konstanta gravitasi.5 1 1.5 5 Gambar 3. g pada planet tersebut. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI 8 7 6 Tinggi (meter) 5 4 3 2 1 0 0 0.2: Grafik data pengukuran gerak batu Anda diminta untuk membantu pengolahan data di atas. diketahui terdapat 21 data.5 2 2. Ketinggian pada saat t = 0 adalah ho = 5 m.

  4   . . tentu saja operasi perkalian matrik akan gagal.   h19 h20 Sebelum dilanjut. . . Tinggal nanti bisa kita periksa hasil inversinya. .  2  t19  t2 20   h2   h3  = .3. Adakah yang janggal?? Yep. . . yaitu dengan memasukan semua data kedalam persamaan model GLBB 5 + m1 t1 + m2 t2 = h1 1 5 + m1 t2 + m2 t2 = h2 2 5 + m1 t3 + m2 t2 = h3 3 . atau sesuatu yang tak perlu dibuktikan lagi tapi tak bisa dibantah.. . perlu dicatat bahwa m0 harus punya syarat. Kemudian operasi matrik tersebut bisa ditulis secara singkat Gm = d Untuk menyelesaikan persamaan matrik ini. .  .  m2 . diperlukan modifikasi berikut GT Gm = GT d (3. .16) . . t1 t2 t3 t4 . t1 t2 t3 t4 . CONTOH APLIKASI 55 men matrik kernel.  . coba perhatikan dengan teliti operasi matrik di atas.   . . 5 + m1 t20 + m2 t2 = h20 20 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:  5 5 5 5 . yaitu harus bernilai 1 atau m0 =1.  . = . Ini boleh dibilang sebagai sebuah aksioma. . .  h1  t2   2     h2  t2  m0 3   h3  t2   m1  =  . sehingga operasi tersebut menjadi               5 5 5 5 . maka proses inversi dianggap sukses.  . .4. Bila m0 bernilai 1. matrik kernel G berukuran 20x3 sementara vektor m berukuran 2x1. t2 1  m1 m2  h1                         5 t19 5 t20  t2  2  t2  3   2  t4  . . Untuk menghindarinya. . kita tambahkan m0 pada vektor m.    h19 2  t19  h20 t2 20 t2 1             5 t19 5 t20 Namun. .

 ti hi . 5 5        G=       2.. t19 t20  2 2 2 t2 t2 t3 t2 . t2 2 3 4 19 T      5   t20      t2 20     h2     h3  5 hi    h4  =  ti hi    .. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI dimana T disini maksudnya adalah tanda transpos matrik. . t2 1  ⇒   GT =  t1 t2 t3 t4 . yaitu Gt  5 5 5 5 . t2 1 2 4 19     5   t20     2 t20      5 5 5 5 .. . .56 BAB 3. . .  . . 20.. diperlukan langkah-langkah perhitungan berikut ini: 1.. untuk mendapatkan m0 . t1 t2 t3 t4 .. Tentukan GT G 5 t19 5 t20  t2  2  t2  3   t2  4  .. m1 dan m2 . 5  G d =  t1 t2 t3 t4 . 3. Sekarang persamaan (3. . . . t19  5 5 5 5 .  2 .  2 .  2  t19  t2 20  GT G =  t1 t2 t3 t4 . t1 t2 t3 t4 .. 5 2 t2 t2 t3 t2 . . t19 2 t1 t2 t2 t2 . t2 t20 1 4 19  5 5 5 5 . . . .  h19   h20 4. 2 t1 5 t19 5 t20 2  t2    2 t3  25N 5 ti 5    2  t4  =  5 ti t2 i . . 2.  . Selanjutnya. Tentukan transpos dari matrik kernel. Kemudian tentukan pula GT d  h1  5 5 5 5 . .  5 ti t3 . . .17) . ..16) dapat dinyatakan sebagai  25N ti t2 i 5 ti 5 t2 i t3 i t2 i  m0   5 hi    5 5    t3   m1  =  i t4 m2 i  ti hi  t2 hi i (3. .  i 2  t19  t2 20  2 ti  t3  i t4 i  dimana N = 20 dan i = 1. . .

5 4 4. 5 179. Garis berwarna biru merupakan garis kurva fitting hasil inversi parabola. yaitu  m0   0.3.5 5 Gambar 3.3 memperlihatkan grafik kurva hasil inversi.5 Waktu (dt) 3 3. 1   m1  =  273.9999 atau mendekati 1.2009 m/dt. 9999   m0   607. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid untuk menjelaskan gerak batu di planet X. 2009  −0. Dan ini sesuai dengan aksioma yang telah dinyatakan di awal bahwa memang m0 harus bernilai 1. Sedangkan bulatan berwarna merah adalah data pengukuran ketinggian (m) terhadap waktu (dt).8169. Hasil inversi juga menunjukkan bahwa kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar m1 = vo = 3. 9       262. 5 896. Ini menunjukkan tingkat akurasi yang sangat tinggi. 1 2822. Adapun percepatan gravitasi diperoleh dari m2 dimana 1 m2 = − 2 g = -0. 7  896. Jika m0 tidak bernilai 1 berarti teknik inversinya salah total.4.6338 m/dt2 . 9 m2 796. Jelas terlihat bahwa garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran. . 3 Hasil operasi matriks ini dapat diselesaikan dengan metode Eliminasi Gauss.5 1 1.5 2 2. Sehingga nilai g adalah sebesar 1. 9 689. 5       m1  =  3. Gambar 3. 4 689. 8169 m2 Lihatlah! m0 = 0.3: Grafik hasil inversi parabola  500 262. CONTOH APLIKASI 9 57 8 7 6 Ketinggian (m) 5 4 3 2 1 0 0 0.

52. G(i.i)=G(i.86. h(9)=8.13.62. h(10)=7.77. h(18)=2.58. %model parameter for i=1:N t(i)=i*0. h(2)=6. end end GT disp(’Perkalian GT dan G’) for i=1:M for j=1:M GTG(i. h(19)=1.94.72. %jumlah data M=3.1)=5. end G for i=1:N d(i. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI Berikut adalah script inversi dalam Matlab untuk memecahkan masalah ini 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 clear all clc. h(4)=7. h(13)=6. h(12)=7.25.1)=h(i).73.20. h(14)=6.3)=t(i)^2.10.j). end h(1)=5.j)=0.77. h(16)=4. h(17)=3. h(7)=8. h(3)=6. end d %%%%%===========Proses inversi============== disp(’Mencari G transpos’) for i=1:N for j=1:M GT(j. G(i.25. h(11)=7.96. h(15)=5. end end for i=1:M for j=1:M .40. N=20.75. h(8)=8. for i=1:N G(i.90.38. h(5)=7.85.07. h(20)=0.2)=t(i). h(6)=7.58 BAB 3.

p)=v.j).j).j)+GT(i.1). for i=jj:n m=A(i. for i=n-1:-1:1 .n+1)=GTd(i. A(j.n). end end %----akhir proses pivot--jj=j+1.k)=A(i. %====== Menggabungkan Vektor GTd kedalam matrik A ======== n=M.4.k)*G(k. CONTOH APLIKASI 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 59 for k=1:N GTG(i.3. for i=1:n A(i.k)-(m*A(j. end end for i=1:M for j=1:1 for k=1:N GTd(i.j)=GTd(i.k)*d(k. v=A(j+1.n+1)/A(n.1)=A(n.p)=u.j)==0) for p=1:n+1 u=A(j. for k=1:(n+1) A(i.p).j)=GTG(i.j)=0. end end end GTd A=GTG.j)/A(j. end end end GTG disp(’Perkalian GT dan d’) for i=1:M for j=1:1 GTd(i. end end end %------------------------------------------%------Proses Substitusi mundur------------x(n. A(j+1.p). end A pause disp(’Hasil Eliminasi Gauss’) %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j.j)+GT(i.k)).j).

hold on.i). end plot(t.h.’ro’). end x(i. . for i=1:20 hi(i)=5+m(2)*t(i)+m(3)*t(i)^2.n+1)-S)/A(i. hold off. xlabel(’Waktu (dt)’).ylabel(’Ketinggian (m)’). end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& %%%%%%%%%%%===== AKHIR DARI PROSES INVERSI ========== m=x %-------MENGGAMBAR GRAFIK---------------------plot(t.j)*x(j.60 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 BAB 3. for j=n:-1:i+1 S=S+A(i.hi).1)=(A(i. APLIKASI ELIMINASI GAUSS PADA MASALAH INVERSI S=0.1).

Atau dengan kata lain. misalnya ada metode matrik inversi seperti yang dijelaskan pada catatan yang paling terakhir. Nah.1) Pada metode LU-decomposition. kita berasumsi bahwa sistem persamaan linear dapat dinyatakan dalam operasi matrik Ax = b (4. ⊲ Mengenalkan aplikasi LU Decomposition pada sistem persamaan linear. pada catatan kali ini. Metode ini sekaligus menjadi pengantar menuju metode Singular Value Decomposition. yang jelas metode invers matrik bisa digunakan untuk menyelesaikan sistem persamaan linear. saya ingin mengetengahkan sebuah metode yang lain untuk menyelesaikan sistem persamaan linear. 4. Namun perlu juga diketahui bahwa eliminasi gauss bukan satu-satunya metode dalam mencari solusi sistem persamaan linear. yaitu metode faktorisasi matrik yang umum dikenal sebagai LU-decomposition.1 Faktorisasi matrik Pada semua catatan yang terdahulu. Seperti biasa. telah diulas secara panjang lebar bahwa sistem persamaan linear dapat dicari solusinya secara langsung dengan metode eliminasi gauss. Terlepas dari masalah in-efisiensi penyelesaiannya. ⊲ Merumuskan algoritma LU Decomposition.Bab 4 Metode LU Decomposition  Objektif : ⊲ Mengenalkan teknik faktorisasi matrik. suatu metode yang saat ini paling “handal” dalam menyelesaikan sistem persamaan linear dan merupakan bagian dari metode least square. matrik A difaktorkan menjadi matrik L dan matrik U.2) . hasil perkalian matrik L dan matrik U adalah matrik A. (SVD). dimana dimensi atau ukuran matrik L dan U harus sama dengan dimensi matrik A. A = LU 61 (4.

metode LU-decomposition dilakukan dengan tiga langkah sebagai berikut: • Melakukan faktorisasi matrik A menjadi matrik L dan matrik U → A = LU . Ini adalah proses backward-substitution atau substitusi-mundur. justru harus dipakai oleh LUdecomposition. Ini adalah proses forward-substitution atau substitusi-maju. karena beberapa langkah yang mesti dibuang pada eliminasi gauss.5) Pada metode eliminasi gauss. (P4 − (−3)P2 ) → (P4 ). Ux = y (4.3) dieksekusi. Diketahui sistem persamaan linear sebagai berikut P1 P2 P3 P4 : : : : x1 2x1 3x1 −x1 + + − + x2 x2 x2 2x2 + + + − 3x4 x4 2x4 x4 = = = = 4 1 -3 4 − − + x3 x3 3x3 Sistem tersebut dapat dinyatakan dalam operasi matrik Ax = y. matrik A dikonversi menjadi matrik triangular melalui urutan operasi-operasi berikut: (P2 − 2P1 ) → (P2 ). (P4 − (−1)P1 ) → (P4 ).62 sehingga persamaan (6. (P3 − 3P1 ) → (P3 ). diawali dengan menghadirkan vektor y dimana. Ly = b (4. Untuk lebih jelasnya. • Menghitung vektor y dengan operasi matrik Ly = b. melainkan untuk menghitung vektor x. METODE LU DECOMPOSITION Langkah penyelesaian sistem persamaan linear dengan metode LU-decomposition.       1 2 1 0 3  x1   4          1   x2   1  = 3 −1 −1 2   x3   −3    −1 2 3 −1 x4 4 1 −1 (4.3) Langkah tersebut tidak bermaksud untuk menghitung vektor y. Lalu bagaimana cara memperoleh vektor y? Begini caranya. • Menghitung vektor x dengan operasi matrik U x = y.4) menjadi LU x = b BAB 4. nilai-nilai yang menempati elemenelemen vektor y harus sudah diketahui. (P3 − 4P2 ) → (P3 ). vektor b ikut berubah nilainya menyesuaikan . Artinya. Disisi lain. perhatikan contoh berikut ini. Metode LU-decomposition bisa dibilang merupakan modifikasi dari eliminasi gauss.4) Kesimpulannya. sebelum persamaan (4.

Misalnya pada operasi (P2 − 2P1 ) → (P2 ). yaitu menjadi matrik L dan matrik U.1. dan seterusnya. sama persis bukan? Jadi. bagaimana cara memperoleh matrik L? Begini caranya: (1) elemen-elemen diagonal matrik L diberi nilai 1 (Asal tahu saja.4.5) menjadi. maka faktor pengalinya adalah 3. cara memperoleh matrik U adalah dengan proses triangularisasi! Lantas. maka faktor pengalinya adalah 2. FAKTORISASI MATRIK proses triangularisasi.       1 2 0 0 0  1 1 0 3  x1   4        1 0 0   0 −1 −1 −5  3 4 1 0  0 0 3 13  −1 −3 0 1 0 0 0 −13      x2   1      x  =  −3  3   x4 4 (4.6) Lain halnya dengan metode LU-decomposition dimana vektor b tidak mengalami perubahan. Yang berubah hanya matrik A saja. Disisi lain. A = LU  1 2 1 0 3   1 0 0 0  1 1 0 3         A=      1   2 1 0 0   0 −1 −1 −5 =  2   3 3 −1 −1 4 1 0  0 0 3 13    −1 2 3 −1 −1 −3 0 1 0 0 0 −13 1 −1          Jadi matrik L dan U masing-masing adalah 1 2 0 0 0 1 1 0 3   L=    1 0 0   3 4 1 0   −1 −3 0 1   0 −1 −1 −5 U =  0 0 3 13  0 0 0 −13 Coba bandingkan matrik U di atas dengan matrik hasil triangularisasi dari metode eliminasi gauss pada persamaan (4. elemen-elemen matrik L yang berada di bawah elemen-elemen diagonal diisi dengan faktor pengali yang digunakan pada proses triangularisasi eliminasi gauss.  1 1 0 3  x1   4       63   0 −1 −1 −5   0 0 3 13  0 0 0 −13      x2   −7      x  =  13  3   −13 x4 (4. seluruh faktor pengali tersebut sangat dibutuhkan pada metode LU-decomposition untuk membentuk matrik L. Padahal dalam metode eliminasi gauss.6).7) . vektor b tidak mengalami proses apapun sehingga nilainya tetap. (2) elemen-elemen matrik L yang berada di atas elemen-elemen diagonal diberi nilai 0. cara ini dikenal dengan metode Doolittle). pada operasi (P3 − 3P1 ) → (P3 ). seluruh faktor pengali tersebut tidak dimanfaatkan alias dibuang begitu saja. Jadi. Inilah letak perbedaannya. proses konversi matrik pada metode LU-decomposition hanya melibatkan matrik A saja! Setelah langkah faktorisasi matrik A dilalui. maka operasi matrik pada persamaan (4. (3) sedangkan.

Demikianlah contoh penyelesaian sistem persamaan linear dengan metode LU-decomposition. dan y4 = 1. dan akhirnya x1 . 2y1 + y2 = 1. yang pertama kali didapat solusinya adalah x4 . elemen-elemen vektor y dapat ditentukan. kemudian x3 . dimana U x = y. x3 = 0. x2 = 2. x4 = 1 1 (13 − 13x4 ) = 0 x3 = 3 x2 = −(−7 + 5x4 + x3 ) = 2 x1 = 4 − 3x4 − x2 = −1 akhirnya diperoleh solusi x1 = −1. Langkah terakhir adalah proses substitusi-mundur untuk menghitung vektor x. lalu diikuti x2 . dimana Ly = b.       1 2 0 0 0  y1   4          1 0 0   y2   1 =  3 4 1 0   y3   −3    4 y4 −1 −3 0 1 Dengan proses substitusi-maju. y2 = −7. maka vektor b bisa diganti nilainya sesuai dengan sistem persamaan linear yang lain. y1 = 4. −y1 − 3y2 + y4 = 4 maka diperoleh y1 = 4.64 BAB 4. Sekali matrik A difaktorkan. y3 = 13.  1 1 0 3  x1   4    0 −1 −1 −5   0 0 3 13  0 0 0 −13       x2   −7   =    x   13   3    x4 −13 Melalui proses ini. y4 = −13. 3y1 + 4y2 + y3 = −3. METODE LU DECOMPOSITION Langkah berikutnya adalah menentukan vektor y. misalnya seluruh nilai di ruas kanan diganti menjadi P1 P2 P3 P4 : : : : x1 2x1 3x1 −x1 + + − + x2 x2 x2 2x2 − − + x3 x3 3x3 + + + − 3x4 x4 2x4 x4 = = = = 8 7 14 -7 .

Sejauh yang saya tahu. x2 . Pada akhirnya akan diperoleh solusi sebagai berikut: x1 = 3. sama sekali tidak “berurusan” dengan matrik permutasi. x2 = −1. Silakan anda periksa langkah-langkah mana saja yang telah mengalami modifikasi! Tapi asal tahu saja bahwa ini bukan satu-satunya algoritma untuk mendapatkan matrik LU. Nah. Perbedaannya hanya pada vektor b. dan y4 = 2. sedangkan algoritma yang akan anda baca saat ini.. 4. Suatu aspek yang tidak boleh diabaikan oleh para programer.8) menjadi  1 2 0 0 0  1 1 0 3  x1   8        1 0 0   0 −1 −1 −5  3 4 1 0  0 0 3 13  −1 −3 0 1 0 0 0 −13       x2   7   =    x   14   3    x4 −7 (4. Algoritma ini dibuat untuk menyelesaikan sistem persamaan linear. Algoritma LU-decomposition yang anda lihat sekarang merupakan modifikasi dari algoritma eliminasi gauss. elemenelemen matrik L dan matrik U digabung jadi satu dan menggantikan seluruh elemen-elemen matrik A. Satu lagi yang harus saya sampaikan juga adalah bahwa dalam algoritma ini. Marilah kita simak algoritmanya bersamasama! INPUT: dimensi n. ada algoritma lain untuk tujuan yang sama. dengan cara menfaktorkan matrik A = (aij ) berukuran n x n menjadi matrik L = (lij ) dan matrik U = (uij ) dengan ukuran yang sama. nilai elemen aij . Algoritma ini cuma memanfaatkan “trik” tukar posisi yang sudah pernah dibahas di awal-awal catatan khususnya ketika membahas konsep eliminasi gauss. . ALGORITMA Dalam operasi matrik menjadi       1 2 1 0 3  x1   8       65    1   x2   7 =  3 −1 −1 2   x3   14    −7 x4 −1 2 3 −1 1 −1 (4.9) Silakan anda lanjutkan proses perhitungannya dengan mencari vektor y sesuai contoh yang telah diberikan sebelumnya. Selanjutnya. x3 . .. j ≤ n.2 Algoritma Sekarang saatnya saya tunjukkan algoritma metode LU decomposition.2. 1 ≤ i. nilai elemen bi . persamaan (4.8) Perhatikan baik-baik! Matrik A sama persis dengan contoh sebelumnya. xn atau pesan kesalahan yang mengatakan bahwa faktorisasi tidak mungkin dilakukan.. dengan metode LU-decomposition.4. dimana algoritma tersebut membutuhkan matrik permutasi untuk menggeser elemen pivot yang bernilai nol agar terhindar dari singular. Cara ini dimaksudkan untuk menghemat memori komputer. Perhatian! cara ini jangan diartikan sebagai perkalian matrik L dan matrik U menjadi matrik A kembali. OUTPUT: solusi x1 . x3 = 0.

maka sebuah pesan dimunculkan: sistem persamaan linear tidak memiliki solusi yang unik. .. maka bisa dipastikan p = i. . Langkah dilakukan bila ditemukan elemen diagonal yang bernilai nol (aii = 0). sementara integer p (indeks dari baris) bergerak dari p = i sampai p = n. METODE LU DECOMPOSITION • Langkah 1: Inputkan konstanta-konstanta dari sistem persamaan linear kedalam elemenelemen matrik A dan vektor b. . bn         a21 a22 . integer i (indeks dari kolom) dibuat konstan. • Langkah 3: Definisikan p sebagai integer dimana i ≤ p ≤ n. Jadi saat proses ini berlangsung.. . lakukan Langkah 3 sampai Langkah 5. . ann   b=   (4. y i = bi − i−1 aij yj j=1 . . .. . Lalu pastikan bahwa api = 0.  .  . lakukan Langkah 6 dan Langkah 7. . y 1 = b1 Untuk i = 2.66 BAB 4. . aji = mji • Langkah 9: Nilai b1 dicopy ke y1 . a1n        b1 b2 . Ketika ada elemen diagonal yang bernilai nol. Lalu program berakhir: STOP... (Pj − mji Pi ) → (Pj ) • Langkah 8: Nilai mji disimpan ke aji . a2n A= . yaitu saat p = n tetap didapat nilai api = 0. maka program harus mencari dan memeriksa elemen-elemen yang tidak bernilai nol dalam kolom yang sama dengan kolom tempat elemen diagonal tersebut berada. . . • Langkah 6: Tentukan mji . Bila ternyata setelah mencapai elemen paling bawah dalam kolom tersebut. an1 an2 . n tentukan xi .. • Langkah 5: Untuk j = i + 1. . Jika p = i maka lakukan proses pertukaran (Pp ) ↔ (Pi ). • Langkah 4: Namun jika sebelum integer p mencapai nilai p = n sudah diperoleh elemen yang tidak sama dengan nol (api = 0). .10) • Langkah 2: Untuk i = 1. mji = aji aii • Langkah 7: Lakukan proses triangularisasi. . n − 1.. lalu lakukan substitusi-maju. . n.. seperti berikut ini:  a11 a12 . .

A)’) ’MATRIK A:’ DO 110 I = 1. P.A)’) ’JUMLAH PERSAMAAN ? ’ READ (*. xn = Untuk i = n − 1. Algoritma di atas telah diimplementasi kedalam program yang ditulis dengan bahasa Fortran. Inilah programnya: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 C 60 50 C 110 C C 100 200 C DIMENSION A(10.1.8) GOTO 400 .’(1X.J).*) N WRITE (*.J=1.I2..N) GOTO 200 P = P+1 GOTO 100 IF(P.11). X(10) REAL MJI WRITE(*. Algoritma telah dijalankan dengan sukses.*) B(I) WRITE (*.J.N DO 60 J = 1. ALGORITMA • Langkah 10: Lakukan proses substitusi-mundur.’(1X.GE.*) A(I.’(1X..’) ? ’ READ (*.NN LANGKAH 3: MENDEFINISIKAN P P = I IF (ABS(A(P.I2.I2.I.N WRITE (*.*) ’==> FAKTORISASI MATRIK: LU DECOMPOSITION <==’ WRITE (*.. Program tersebut sudah berhasil dikompilasi dengan visual fortran (windows) dan g77 (debian-linux). dimulai dengan menentukan xn .A. x2 ..*) WRITE(*.n+1 − n j=i+1 aij xj 67 an.’..*) LANGKAH 1: MEMASUKAN NILAI ELEMEN-ELEMEN MATRIK A DAN VEKTOR B WRITE (*.*) ’MASUKAN ELEMEN-ELEMEN MATRIK A’ DO 50 I = 1. xi = ai. STOP. 1 tentukan xi . .*) LANGKAH 2: MEMERIKSA ELEMEN-ELEMEN PIVOT NN = N-1 DO 10 I=1.*) CONTINUE WRITE (*.*) MENAMPILKAN MATRIK A WRITE (*. B(10).I)).A.EQ.N WRITE (*. xn .A.OR.*) WRITE (*.GT.’(1X.N+1)THEN MENAMPILKAN PESAN TIDAK DAPAT DIFAKTORKAN WRITE(*.’) = ’ READ (*.N) CONTINUE WRITE (*.A)’) ’A(’.n+1 ann aii • Langkah 11: Diperoleh solusi yaitu x1 ..6) (A(I.A)’) ’B(’.I.J) CONTINUE WRITE (*. .4.2. Y(10).0E-20 .’.

N C = A(I.J)*Y(J) CONTINUE Y(I) = B(I)-SUM CONTINUE MENAMPILKAN VEKTOR Y WRITE (*.JJ) A(P.I.J=1.68 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 BAB 4.I) = MJI CONTINUE CONTINUE MENAMPILKAN MATRIK LU WRITE (*.JJ) A(I.’) = ’.J).N) CONTINUE WRITE (*.JJ) = C CONTINUE END IF LANGKAH 5: PERSIAPAN PROSES TRIANGULARISASI JJ = I+1 DO 30 J=JJ.X(I) CONTINUE C 20 C C C 40 C 30 10 C 120 C 16 15 C 138 C 26 24 C 18 .*) LANGKAH 9: SUBSTITUSI-MAJU Y(1) = B(1) DO 15 I=2.N SUM = 0.*) LANGKAH 10: SUBSTITUSI-MUNDUR X(N) = Y(N)/A(N.K)-MJI*A(I.I) LANGKAH 7: PROSES TRIANGULARISASI DO 40 K=JJ.I) THEN DO 20 JJ=1.A)’) ’SOLUSI:’ DO 18 I = 1.8)’) ’X(’.I-1 SUM = SUM+A(I.JJ) = A(P.6) Y(I) CONTINUE WRITE (*.6) (A(I. METODE LU DECOMPOSITION END IF LANGKAH 4: PROSES TUKAR POSISI IF(P.A)’) ’MATRIK LU:’ DO 120 I = 1.N LANGKAH 6: TENTUKAN MJI MJI = A(J.N WRITE (*.’(1X.A.A)’) ’VEKTOR Y:’ DO 138 I = 1.’(1X.’(1X.N SUM = SUM+A(I.N) DO 24 K=1.0 DO 16 J=1.K) = A(J.KK)*X(KK) CONTINUE X(I) = (Y(I)-SUM)/A(I.0 DO 26 KK=JJ.N A(J.I2.I) CONTINUE LANGKAH 11: MENAMPILKAN SOLUSI DAN SELESAI WRITE (*.N WRITE (*.I)/A(I.I) A(J.K) CONTINUE LANGKAH 8: MENYIMPAN MJI KE A(J.NE.A.N WRITE (*.N-1 I = N-K JJ = I+1 SUM = 0.’(1X.F14.

4.2. ALGORITMA
98 99 100 101 102 103 104

69

400 6 8

WRITE(*,*) WRITE(*,*) ’SELESAI --> SUKSES’ WRITE(*,*) CONTINUE FORMAT(1X,5(F14.8)) FORMAT(1X,’TIDAK DAPAT DIFAKTORKAN’) END

Demikianlah, sekarang kita punya tiga buah algoritma untuk memecahkan problem sistem persamaan linear, yaitu eliminasi gauss, invers matrik, dan lu-decomposition. Diantara ketiganya, eliminasi gauss adalah algoritma yang paling simpel dan efisien. Dia hanya butuh proses triangularisasi dan substitusi-mundur untuk mendapatkan solusi. Sedangkan dua algoritma yang lainnya membutuhkan proses-proses tambahan untuk mendapatkan solusi yang sama. Saya cukupkan sementara sampai disini. Insya Allah akan saya sambung lagi dilain waktu. Kalau ada yang mau didiskusikan, silakan hubungi saya melalui email.

Bab 5

Metode Iterasi 

Objektif : ⊲ Mengenalkan konsep Norm. ⊲ Mengenalkan iterasi Jacobi. ⊲ Mengenalkan iterasi Gauss-Seidel. ⊲ Mengenalkan iterasi Succesive-Over-Relaxation (SOR).

5.1

Kelebihan Vektor-kolom

Sebelum kita membahas metode iterasi untuk menyelesaikan problem sistem persamaan linear, saya ingin menyampaikan satu hal yang sangat sederhana, yaitu tentang cara merepresentasikan elemen-elemen suatu vektor-kolom. Sebagaimana tertulis pada bab-bab sebelumnya, biasanya suatu vektor-kolom ditulis sebagai  x1 

   x2  x= .   .   .  xn Dengan operasi transpose, vektor-kolom tersebut dapat dinyatakan sebagai x = x1 ; x2 ; . . . xn Contoh:  
t

(5.1)

(5.2)

3

  −2 x =   = 3; −2; 8; 5 8   5 71

t

lebih sering digunakan pada penulisan operasi matrik.2 Pengertian Norm Vektor x=(x1 .1)=5. dimana vektor x hanya terdiri dari 4 elemen. 5. yaitu x(1.. persamaan (5. (5)} = 8 Saya menyarankan agar kedua norm ini diingat-ingat dengan baik. xn )t memiliki norm ℓ2 dan ℓ∞ yang didefinisikan sebagai n ℓ2 = x dan ℓ∞ = x 2 ={ i=1 2 xi }1/2 (5. 1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 clear all clc x(1. x2 . 5)t memiliki norm ℓ2 yaitu ℓ2 = x dan norm ℓ∞ yaitu ℓ∞ = x ∞ 2 = (3)2 + (−2)2 + (8)2 + (5)2 = 10. 1).1)=8. .. .1). pada paragraf-paragraf berikutnya. 1) dan x(4. x(3. 8.1)^2.3) ∞ = max |xi | 1≤i≤n (5.x(3. METODE ITERASI Cara penulisan seperti ini digunakan untuk menyatakan vektor-kolom pada suatu kalimat di dalam paragraf. 5. saya persingkat penulisan istilah vektor-kolom menjadi vektor saja.. for i=1:4 s=s+x(i. x(4.1)=3. Satu hal lagi.1 Script perhitungan norm dalam Matlab Script berikut ini merujuk pada contoh di atas. −2. Alasannya supaya tidak terlalu menyita banyak ruang penulisan.1)=-2. x(2. Sementara. x %menampilkan vektor x %=========menghitung norm2============= s=0. karena akan banyak disinggung pada catatan-catatan berikutnya. end norm2=sqrt(s) %menampilkan hasil norm2 %====================================== Mohon diperhatikan untuk mengganti angka 4 pada statemen for i=1:4 dengan angka yang lain disesuaikan dengan jumlah elemen vektor yang mau dihitung norm2-nya.2. (−2). 1).4) Contoh: x=(3.x(2.72 BAB 5. (8). 0995 = max{(3).

xbaru(4. Norm selisih dari xlama dan xbaru dapat dihitung dengan bantuan script berikut ini 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 clear all clc xlama(1.3 Iterasi Jacobi Sekarang kita akan mulai membahas metode iterasi sekaligus penerapannya untuk menyelesaikan sistem persamaan linear. xbaru(2.. Kemudian berdasarkan nilai awal tersebut. xbaru(3.2. Diketahui sistem per(5. 3.1)=1. Jadi tolong diingat baik-baik!! 5.1)=4.5) . 2.1)-xlama(i. dilakukan langkah perhitungan untuk mendapatkan elemen-elemen vektor x yang baru.1)=-2. xbaru %menampilkan elemen vektor xbaru n=4. Perbedaan metode iterasi dengan metode-metode yang telah dijelaskan sebelumnya.1)=5. n. xlama(4.. xlama(2.1))^2. xlama %menampilkan elemen vektor xlama xbaru(1.6) (5. for i=1:n s=s+(xbaru(i. %jumlah elemen vektor %--------menghitung norm2 selisih ------------s=0. untuk lebih jelasnya.5..3.1)=6.1)=9. . x(baru) = T x(lama) + c atau xk = T xk−1 + c dimana k = 1. end norm2=sqrt(s) %---------------------------------------------- Cara perhitungan norm-selisih seperti ini akan diterapkan pada kebanyakan metode iterasi.1)=8. Lalu ada vektor lainnya bernama xbaru. xlama(3. silakan perhatikan baik-baik contoh berikut ini. adalah ia dimulai dari penentuan nilai awal (initial value) untuk setiap elemen vektor x.1)=3.2 Perhitungan norm-selisih 73 Misalnya kita punya vektor bernama xlama. ITERASI JACOBI 5.

Sehingga sistem persamaan tersebut ditulis seperti ini x1 x2 x3 (baru) (baru) (baru) (baru) x4 2 (lama) 6 1 (lama) x − x3 + 10 2 10 10 1 (lama) 1 (lama) 3 (lama) 25 = x1 + x3 − x4 + 11 11 11 11 1 1 (lama) 11 2 (lama) + x2 + x4 − = − x1 10 10 10 10 3 (lama) 1 (lama) 15 + x3 + = − x2 8 8 8 = yang secara umum dapat diformulasikan sebagaimana persamaan (5. 1)t .7) . x2 .74 samaan linear berikut ini 10x1 − x2 + 2x3 = 6 −x1 + 11x2 − x3 + 3x4 = 25 2x1 − x2 + 10x3 − x4 = −11 3x2 − x3 + 8x4 = 15 BAB 5.5)  x1 (baru)  (baru)  x2   x(baru)  3 (baru) x4    1   11 0 =   −2 1   10 10 0 −3 8  0 1 10 2 − 10 1 11 0 3   (lama) − 11   x2  1   (lama) 0 10   x3 (lama) 1 0 x4 8  x1 (lama)      +      6 10 25 11 11 − 10 15 8       (5. Sementara nilai x1 . −1. anggap saja kita belum tahu. x2 . Langkah pertama dan merupakan langkah terpenting dari metode iterasi Jacobi adalah dengan mengubah cara penulisan sistem persamaan linear di atas menjadi seperti ini x1 = x2 x3 x4 1 2 6 x2 − x3 + 10 10 10 1 3 25 1 x1 + x3 − x4 + = 11 11 11 11 2 1 1 11 = − x1 + x2 + x4 − 10 10 10 10 1 15 3 = − x2 + x3 + 8 8 8 Kita bisa menyatakan bahwa nilai x1 . x3 dan x4 yang berada di ruas kiri tanda = (baca: sama dengan) sebagai x(baru) . Silakan simpan dulu solusi ini. Lalu perhatikan baik-baik bagaimana metode iterasi Jacobi bisa menemukan solusi tersebut dengan caranya yang khas. x3 dan x4 yang berada di ruas kanan tanda = (baca: sama dengan) sebagai x(lama) . METODE ITERASI yang mana solusinya adalah x=(1. 2.

8750)t . 8750)t ke . maka penulisan sistem persamaan linear menjadi seperti ini x1 (1) (1) = x2 x3 (1) (1) x4 1 (0) 2 (0) 6 x2 − x3 + 10 10 10 1 (0) 3 (0) 25 1 (0) x + x3 − x4 + = 11 1 11 11 11 1 (0) 1 (0) 11 2 (0) = − x1 + x2 + x4 − 10 10 10 10 3 (0) 1 (0) 15 = − x2 + x3 + 8 8 8 (0) (0) (0) (0) Jika kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0. −1. Mari kita fokuskan sejenak pada indeks k ini. −1. 0. yaitu hasil iterasi pertama. Setelah memperoleh nilai-nilai x(1) . 2727. Pada k = 1. 6000. 1000. dimana nilai k = 2. 1. perhitun- gan tersebut diulang kembali guna mendapatkan hasil iterasi kedua. 2. Atau dinyatakan seperti ini x(0) = (0.3.8) Pada persamaan di atas. x3 = 0 dan x4 = 0. 1. sebagai berikut x1 (1) (1) (1) = x2 x3 x4 (1) 6 10 25 = 11 11 = − 10 15 = 8 atau x(1) = (0. Caranya adalah dengan memasukan nilai-nilai x(1) = (0. Maka kita akan memperoleh nilai-nilai x(1) . 2. 1000. 0. 2727. ITERASI JACOBI Atau dapat pula ditulis seperti ini x1 x2 (k) 75 (k) (k) (k) x3 x4 2 (k−1) 6 1 (k−1) x − x3 + 10 2 10 10 1 (k−1) 1 (k−1) 3 (k−1) 25 = x1 + x3 − x4 + 11 11 11 11 1 (k−1) 1 (k−1) 11 2 (k−1) + x2 + x4 − = − x1 10 10 10 10 3 (k−1) 1 (k−1) 15 = − x2 + x3 + 8 8 8 = yang secara umum dapat diformulasikan sebagaimana persamaan (5. 6000. indeks k menunjukan jumlah berapa kali perhitungan iterasi telah dilakukan. 0)t .5.6)  x1 (k)  (k)  x2   x(k)  3 (k) x4    1   11 0 =   −2 1   10 10 0 −3 8  0 1 10 2 − 10 1 11 0 3   (k−1) − 11   x2  1   (k−1) 0 10   x3 (k−1) 1 0 x4 8  x1 (k−1)      +      6 10 25 11 11 − 10 15 8       (5. x2 = 0.

dimana nilai k = 3. 0493. 7159. 0473. 1)t perhitungan diulangi lagi dengan k = 4. 0473. Lalu kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan solusi yang sebenarnya? OK. −1. Pertama-tama kita buat script seperti ini 1 2 3 4 5 clear all clc %----nilai awal----------xlama(1. 0. 8052. 8052. Lalu proses kali untuk nilai-nilai k berikutnya. 8852)t ke ruas kanan kembali. 8852)t . 0. 7159. METODE ITERASI = x2 x3 (2) (2) x4 1 (1) 2 (1) 6 x − x3 + 10 2 10 10 1 (1) 1 (1) 3 (1) 25 = x1 + x3 − x4 + 11 11 11 11 1 (1) 1 (1) 11 2 (1) = − x1 + x2 + x4 − 10 10 10 10 3 (1) 1 (1) 15 = − x2 + x3 + 8 8 8 maka nilai-nilai x(2) yang kita dapat adalah x(2) = (1.1)=0. Proses ini diulangi lagi berkali- Dengan kata lain. −1. sengaja saya mulai dengan menampilkan script yang paling kasar terlebih dahulu. proses iterasi harus dihentikan bila x(baru) sudah mendekati solusi. −0. Caranya adalah dengan memasukan nilai-nilai x(2) = (1.3. perhitungan tersebut diulangi kembali guna mendapatkan hasil iterasi ketiga. Begitulah seterusnya. 1. 1309)t .76 ruas kanan tanda sama-dengan. Sampai dengan x(3) di atas. 2. lalu selangkah demi selangkah dimodifikasi hingga menjadi script efektif. 0530. Sete- lah diperoleh nilai-nilai x(2) . Lantas sampai kapan proses iterasi ini terus berlanjut? Jawabnya adalah sampai x(baru) mendekati solusi yang sesungguhnya. 2. x1 (2) (2) BAB 5. 9326. 1. Proses yang berulang ini disebut proses iterasi. 5. . 1.1)=0. sebagai gantinya marilah kita pelajari script Matlab untuk metode iterasi Jacobi. simpan dulu pertanyaan ini. xlama(2. −0.1 Script Matlab metode iterasi Jacobi Sebagai upaya pembelajaran. x1 (3) (3) = x2 x3 (3) (3) x4 2 (2) 6 1 (2) x2 − x3 + 10 10 10 1 (2) 1 (2) 3 (2) 25 = x + x3 − x4 + 11 1 11 11 11 1 (2) 1 (2) 11 2 (2) = − x1 + x2 + x4 − 10 10 10 10 3 (2) 1 (2) 15 = − x2 + x3 + 8 8 8 maka kita akan memperoleh nilai-nilai x(3) = (0. yaitu x = (1. kita sudah melakukan tiga kali proses iterasi.

1)=0.1)=-(3/8)*xlama(2. xlama(4. script di atas dimodifikasi menjadi seperti ini 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 clear all clc %----nilai awal----------xlama(1.1)+(15/8).1)-(11/10). 2727.1)+(1/11)*xlama(3.1)=-(3/8)*xlama(2.1)-(11/10).1)=0.1)=0. 0.1)+(15/8). script di atas dimodifikasi menjadi seperti ini 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 xbaru yang didapat tak lain adalah hasil iterasi pertama.1)-(2/10)*xlama(3. xbaru(4.3.1)+(1/8)*xlama(3. 7159.1)=(1/11)*xlama(1.1)=0. %xbaru dijadikan xlama untuk iterasi berikutnya xbaru(1. xlama(3.1)+(1/10)*xlama(4. xlama(2.1)+(1/10)*xlama(4.1)=0.1)=(1/10)*xlama(2.1)+(1/10)*xlama(4.1)=-(3/8)*xlama(2. xbaru 1. xbaru(2. yaitu x(1) = (0. xlama %------nilai baru------------xbaru(1.1)+(25/11).1)=0. clear all clc %----nilai awal----------xlama(1.5.1)+(1/11)*xlama(3.1)=(1/11)*xlama(1.1)+(15/8).1)=0. xbaru(2. xbaru(2. yaitu x(2) = (1. Kemudian.1)+(1/11)*xlama(3.1)=-(2/10)*xlama(1.1)-(3/11)*xlama(4. xbaru(3. xlama(4. untuk iterasi ke-3.1)=-(2/10)*xlama(1.1)-(2/10)*xlama(3. xbaru Sampai disini.1)-(11/10). 8852)t . xbaru(4.1)+(15/8). xbaru xlama=xbaru. 8750)t .1)=-(2/10)*xlama(1.1)=(1/10)*xlama(2. 6000.1)+(1/8)*xlama(3. 1. xlama %------nilai baru------------xbaru(1.1)=-(2/10)*xlama(1. ITERASI JACOBI 6 7 8 9 10 11 12 13 14 15 77 xlama(3. Kemudian.1)=-(3/8)*xlama(2. untuk iterasi ke-2.1)=0. 0473.1)+(1/8)*xlama(3.1)=0. 2.1)-(2/10)*xlama(3.1)+(6/10). xbaru(4. xbaru(4. xbaru(3.1)+(6/10).1)-(2/10)*xlama(3.1)=(1/11)*xlama(1. − 0.1)=(1/11)*xlama(1. xlama %------nilai baru------------xbaru(1.1)=(1/10)*xlama(2.1)+(25/11). 8052.1)+(25/11).1)-(3/11)*xlama(4. xlama(4. xbaru(3.1)+(1/10)*xlama(2.1)+(1/10)*xlama(4. xbaru .1)+(1/11)*xlama(3.1)-(3/11)*xlama(4. xlama(2.1)+(6/10).1)+(1/10)*xlama(2. xbaru yang didapat adalah hasil iterasi ke-2.1)+(25/11).1)+(1/8)*xlama(3.1)+(1/10)*xlama(2. 1000.1)-(3/11)*xlama(4. −1. xlama(3. xbaru(2.1)=0.1)+(1/10)*xlama(2.1)-(11/10). xbaru(3.1)+(6/10).1)=(1/10)*xlama(2.

1)-(11/10).1)+(1/8)*xlama(3.1)=0.1)=0.1)+(6/10).1)=-(3/8)*xlama(2.1)-(2/10)*xlama(3.1)+(1/10)*xlama(2. xbaru(2. %xbaru dijadikan xlama untuk iterasi berikutnya xbaru(1. xbaru(4.1)=(1/11)*xlama(1.1)+(15/8). 0493.1)-(11/10). 1. Kemudian.1)+(1/10)*xlama(4. perlu disisipkan variabel baru yang saya kasih nama itermaks.1)+(25/11).1)=-(3/8)*xlama(2. xbaru(3.1)+(1/8)*xlama(3.1)+(25/11). xbaru(2.1)-(3/11)*xlama(4.1)+(1/11)*xlama(3. Tapi konsekuensinya script tersebut akan tidak efektif karena akan bertambah panjang.1)+(1/11)*xlama(3. xbaru(3.1)=-(2/10)*xlama(1.1)+(1/10)*xlama(2. xbaru xlama=xbaru.1)=-(2/10)*xlama(1. Guna menghindari hal itu. xbaru(3.1)+(15/8).1)-(3/11)*xlama(4.1)=0.1)+(1/11)*xlama(3. − 1. Karena itu.78 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 BAB 5.1)+(6/10). singkatan dari iterasi maksimum.1)-(3/11)*xlama(4. xbaru(4. xbaru(4.1)=(1/10)*xlama(2.1)=(1/11)*xlama(1.1)=-(2/10)*xlama(1.1)=0. xlama(3.1)+(1/10)*xlama(2. %xbaru dijadikan xlama untuk iterasi berikutnya end Angka 4 pada statemen for i=1:4 dapat diganti sesuai dengan jumlah iterasi maksimal yang kita kehendaki.1)+(1/8)*xlama(3.1)-(2/10)*xlama(3. yaitu x(3) = (0.1)=0. 2. %xbaru dijadikan xlama untuk iterasi berikutnya xbaru(1. METODE ITERASI xlama=xbaru. 0530.1)=(1/11)*xlama(1.1)+(1/10)*xlama(4. xbaru Sampai disini. xbaru xlama=xbaru.1)=0. . xlama(4. 9326.1)=-(3/8)*xlama(2. script di atas perlu dioptimasi dengan pasangan for-end sebagai berikut 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 clear all clc %----nilai awal----------xlama(1.1)+(15/8).1)=(1/10)*xlama(2. xbaru(2. Lalu statemen for i=1:4 saya ganti menjadi for i=1:itermaks 1 2 3 4 5 6 clear all clc %----nilai awal----------xlama(1.1)+(25/11).1)-(11/10). xlama(2. xlama for i=1:4 %------nilai update------------xbaru(1. xlama(2. untuk iterasi ke-4. 1309)t .1)=(1/10)*xlama(2.1)+(6/10).1)-(2/10)*xlama(3.1)+(1/10)*xlama(4. xbaru yang didapat adalah hasil iterasi ke-3. script di atas dimodifikasi dengan cara yang sama.

xlama n=4 %jumlah elemen vektor .1)+(1/11)*xlama(3. 6000.0000 0. ITERASI JACOBI 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 79 xlama(3..2 Optimasi script Matlab untuk menghitung iterasi Sekarang mari kita hitung norm-selisih dari masing-masing hasil iterasi secara berurutan.0473 1.1)-(11/10).0000 0.1)=0.9739 .1: Hasil akhir elemen-elemen vektor x hingga iterasi ke-10 0 1 2 3 4 .1)-(2/10)*xlama(3.8852 1...0006 1.5. begitu seterusnya hingga antara hasil iterasi yang ke-9 dan ke-10.9326 2.0152 1. −1. xlama itermaks=4 %jumlah iterasi maksimum for i=1:itermaks %------nilai update------------xbaru(1. %xbaru dijadikan xlama untuk iterasi berikutnya end Untuk mendapatkan hasil iterasi yang ke-10.. silakan nyatakan itermaks=10 pada script di atas.0000 0.0004 -1..1)+(1/10)*xlama(2.1)=(1/10)*xlama(2.0000 0.9681 0. .2727 -1..0530 -1.1)=0.1)+(15/8). x = (1.1)-(3/11)*xlama(4. 8852) adalah hasil yang paling tidak mendekati solusi. 5. 1. xbaru(4. xlama(3.1)=0.. −1. xlama(4.9998 Kita bisa saksikan bahwa hasil iterasi ke-1. clear all clc %----nilai awal----------xlama(1.3. 1)t . Dimulai dari mencari norm-selisih antara hasil iterasi ke-1 dan ke-2.8852 0.0493 1. 2727.1)+(25/11). xbaru(2.1)=0.1309 1.1)+(6/10). 9 10 0.1)=-(2/10)*xlama(1.1)=(1/11)*xlama(1. x(1) = (0. .0004 1.7159 -0. 0. xbaru(3. 2.1)=0.1)+(1/10)*xlama(4.1)+(1/8)*xlama(3. 2. Hasil dari keseluruhan iterasi dari iterasi ke-1 hingga iterasi ke-10 disajikan pada tabel berikut k x1 (k) x2 (k) x3 (k) x4 (k) Tabel 5. Lalu dilanjutkan dengan hasil iterasi ke-2 dan ke-3. Coba bandingkan dengan hasil itmaka hasil iterasi ke-10 merupakan hasil yang paling dekat dengan solusi.9997 2.0001 1. kita cukup menambahkan script norm-selisih pada script yang tadi 1 2 3 4 5 6 7 8 9 10 erasi ke-2! Jelas terlihat bahwa hasil iterasi ke-2 lebih mendekati solusi.8052 0.1)=0.9998 -0.3. Kalau terus diurutkan. xlama(4. 1000..9998 0.1)=-(3/8)*xlama(2. .9537 -0..6000 2. xlama(2.. xbaru xlama=xbaru.1000 1. Dalam prakteknya.

1)-(2/10)*xlama(3.1)=(1/10)*xlama(2. ǫ. semakin kecil nilai ǫ.2557 0. 1 2 3 4 5 6 7 8 9 10 11 clear all clc %----nilai awal----------xlama(1. maka proses iterasi akan berhenti pada iterasi ke-10.0012 Kembali ke pertanyaan penting yang tadi yaitu kriteria apa yang digunakan sehingga suatu hasil iterasi bisa dikatakan paling dekat dengan solusi yang sebenarnya? Jawabnya: tergantung besar kecilnya nilai ǫ. ǫ lebih umum dikenal dengan istilah stopping-criteria.1)+(1/10)*xlama(2.1)=-(3/8)*xlama(2. x(10) − x(9) 2 norm ℓ2 ǫ 1. xbaru(2. 0.1)+(15/8). xlama(3.001 . dimana semakin kecil nilai epsilon.1)-(11/10). xbaru(4. METODE ITERASI %jumlah iterasi maksimal itermaks=10 for i=1:itermaks %------nilai update------------xbaru(1. namun hasil akhirnya semakin akurat.1)-(3/11)*xlama(4.2189 .4967 0.1)+(6/10).1))^2.. Di bawah ini adalah script iterasi Jacobi setelah mengalami optimasi beberapa kali.1)=0.1)=0. %xbaru dijadikan xlama untuk iterasi berikutnya end Tabel dibawah ini memperlihatkan hasil norm-selisih hingga iterasi ke-10.80 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 BAB 5.2 . Jadi nilai ǫ berperan penting untuk menghentikan proses iterasi. xlama(4. semakin panjang proses iterasinya. Artinya kalau nilai ǫ ditentukan sebesar 0. menandakan hasil iterasinya semakin dekat dengan solusi.1)+(1/8)*xlama(3.1)=-(2/10)*xlama(1. ǫ. xlama(2.2: Hasil perhitungan norm-selisih (dengan ℓ2 ) hingga iterasi ke-10 x(2) − x(1) 2 x(3) − x(2) 2 x(4) − x(3) 2 . Hasil perhitungan norm-selisih tersebut.1)=(1/11)*xlama(1..1)=0..1)+(1/11)*xlama(3. xbaru %------norm selisih------------s=0.. Kesimpulannya.1)+(25/11). xbaru(3. end epsilon=sqrt(s) %------------------------------xlama=xbaru. for i=1:n s=s+(xbaru(i. Dalam hal ini. maka iterasi akan berhenti pada iterasi ke-4. saya beri nama epsilon. xlama n=4 %jumlah elemen vektor . Hasil norm-selisih yang semakin kecil pada iterasi ke-10 menunjukan bahwa hasil iterasi ke-10 adalah hasil yang paling dekat dengan solusi yang sebenarnya. Atau kalau nilai ǫ ditentukan sebesar 0.1)-xlama(i. Tabel 5.1)=0.1)+(1/10)*xlama(4.

1)+(6/10).1)-(11/10).n.n.1)+(1/11)*xlama(3.. sc-------if epsilon<sc break end xlama=xbaru.1)=(1/11)*xlama(1.1))^2.. Metode ini bertujuan mencari nilai-nilai pengganti variabel-variabel x dengan perumusan (k) xi n j=1 = −aij xj aii (k−1) + bi (5.3.1)+(15/8). xbaru(4. xbaru(2. 5.1)=-(3/8)*xlama(2..1)-(3/11)*xlama(4..3.. xn ) lalu STOP – Langkah 5: Tentukan k=k+1 – Langkah 6: Untuk i=1...1)+(1/10)*xlama(4.1)=-(2/10)*xlama(1.2. for i=1:n s=s+(xbaru(i.1)+(25/11).5..9) dimana i=1.. xbaru %------norm selisih------------s=0..1)-(2/10)*xlama(3. tentukan XOi = xi • Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP . ITERASI JACOBI 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 81 itermaks=10 sc=0.3.n. %xbaru dijadikan xlama untuk iterasi berikutnya end Metode yang baru saja kita bahas ini disebut metode Iterasi Jacobi. end epsilon=sqrt(s) %------memeriksa stopping criteria.1)=(1/10)*xlama(2. ... maka keluarkan OUTPUT (x1 . xbaru(3.001 %jumlah iterasi maksimal %stopping-criteria for i=1:itermaks %------nilai update------------xbaru(1.. hitunglah xi = − n j=1 (aij XOj ) + bi aii – Langkah 4: Jika x − XO < ǫ..3 Algoritma • Langkah 1: Tentukan k=1 • Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6 – Langkah 3: Untuk i=1.1)+(1/10)*xlama(2.1)-xlama(i.1)+(1/8)*xlama(3.

I2.I2.ITMAX WRITE(*.A)’) ’XO(’.GT.X.*) B(I) WRITE (*.NORM.A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’ READ (*.’.A)’) ’VEKTOR B:’ DO 111 I = 1.A)’) ’JUMLAH PERSAMAAN ? ’ READ (*.*) ’==> ITERASI JACOBI UNTUK SISTEM LINEAR <==’ WRITE(*.A)’) ’MATRIK A:’ DO 110 I = 1.*) ITMAX WRITE (*.’(1X.J.A)’) ’JUMLAH ITERASI MAKSIMUM ? ’ READ (*.’(1X.’(1X.GT.A)’) ’A(’.0 DO 10 I = 1.’.*) CONTINUE WRITE (*.J.N) CONTINUE WRITE (*.A.XO.I) IF (ABS(S).82 5.N WRITE (*.K.’) ? ’ READ (*.I.I.*) EPS WRITE (*.I.A.*) LANGKAH 1 K = 1 LANGKAH 2 IF(K.A)’) ’B(’.’(1X.J).*) MENAMPILKAN MATRIK A WRITE (*.’(1X.6) B(I) CONTINUE WRITE (*.I.*) XO(I) CONTINUE WRITE (*.’) ? ’ READ (*. METODE ITERASI 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 62 52 72 C 110 C 111 C C 100 C 20 10 IMPLICIT NONE DIMENSION A(10.J) CONTINUE WRITE (*.XO(10) REAL A.B(10).N WRITE (*.N WRITE (*.3.*) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’ DO 52 I = 1.N WRITE (*.I2.’(1X.N DO 62 J = 1.’(1X.X(10).EPS.N S = S-A(I.A.4 Program dalam Fortran BAB 5.I3)’) ’ITERASI KE-’.10).*) MENAMPILKAN VEKTOR B WRITE (*.B.I2.N S = 0.’) = ’ READ (*.*) A(I.’(1X.J=1.’(1X.6) (A(I.S INTEGER N.0 DO 20 J=1.ITMAX) GOTO 200 LANGKAH 3 NORM = 0.*) ’MASUKAN NILAI AWAL UNTUK XO’ DO 72 I = 1.*) WRITE (*. K .A.NORM) NORM=ABS(S) X(I) = XO(I)+S CONTINUE WRITE(*.A.*) N WRITE (*.J)*XO(J) CONTINUE S = (S+B(I))/A(I.

perhatikan sistem persamaan linear berikut.8)’) (’X(’. Perbedaannya hanya terletak pada penggunaan nilai elemen vektor xbaru yang langsung digunakan pada persamaan dibawahnya. *’ .A.5. yang diturunkan dari contoh terdahulu xbaru = 1 xbaru 2 xbaru 3 xbaru 4 1 lama 2 6 x2 − xlama + 3 10 10 10 1 lama 3 25 1 baru x1 + x3 − xlama + = 4 11 11 11 11 2 baru 1 baru 1 lama 11 = − x1 + x2 + x4 − 10 10 10 10 3 baru 1 baru 15 = − x2 + x3 + 8 8 8 Pada baris pertama. Selanjutnya xbaru dan xbaru di2 1 2 gunakan pada baris ketiga untuk mendapatkan xbaru .(6(1X.F14.8) FORMAT(1X.’) = ’. Sistem persamaan tersebut dapat dinyatakan dalam indeks k . NORM WRITE(*. NORM= ’. Untuk lebih jelasnya.LE.F14.7) K.8)’) ’NORM = ’.I=1.F14.’KONVERGEN PADA ITERASI YANG KE.A.4. Begitu seterusnya hingga xbaru pun 3 4 diperoleh pada baris keempat.F14.’(1X.9) STOP FORMAT(1X.*) LANGKAH 4 IF(NORM.I3. X(I). Kemudian xbaru tersebut 1 2 3 1 langsung dipakai pada baris kedua untuk menghitung xbaru . ITERASI GAUSS-SEIDEL 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 C C C 30 C 200 400 5 6 7 9 WRITE(*. xbaru dihitung berdasarkan xlama dan xlama .I3.I3) FORMAT(1X.’MELEBIHI BATAS MAKSIMUM ITERASI’) END 5.NORM GOTO 400 END IF LANGKAH 5 K = K+1 LANGKAH 6 DO 30 I=1.’(1X.EPS) THEN WRITE(*.N XO(I) = X(I) CONTINUE GOTO 100 LANGKAH 7 CONTINUE WRITE(*.A.I.’.8))) FORMAT(1X.N) WRITE(*.4 Iterasi Gauss-Seidel Metode Iterasi Gauss-Seidel hampir sama dengan metode Iterasi Jacobi.

1 Script iterasi Gauss-Seidel Secara umum.0036 -1.0001 2. 3272 = −0.0000 0. script iterasi Gauss-Seidel yang saya tuliskan disini hampir sama dengan iterasi Jacobi.0000 0.030 2.0003 -1. Perbedaan kecil-nya terletak pada bagian nilai update.0003 0. problem sistem persamaan linear yang sama. 5. Dari kasus ini.6000 2.4. Ya. 1)t Marilah kita amati hasil seluruh iterasi.037 -1.9999 k x1 (k) x2 (k) x3 (k) x4 (k) 0 5 1. x3 = 0 dan = 0.014 0.0000 -1. 8789 (1) x2 (1) x3 (1) x4 Lalu proses perhitungan diulangi lagi dengan k = 2. bisa diselesaikan oleh metode iterasi Gauss-Seidel hanya dalam 5 kali iterasi. Begitu seterusnya proses ini diulangulang lagi untuk nilai-nilai k berikutnya sampai x(k) mendekati solusi yang sesungguhnya. METODE ITERASI = x2 x3 (k) (k) x4 1 (k−1) 2 (k−1) 6 x − x3 + 10 2 10 10 1 (k) 1 (k−1) 3 (k−1) 25 = x1 + x3 − x4 + 11 11 11 11 1 (k) 1 (k−1) 11 2 (k) − = − x1 + x2 + x4 10 10 10 10 3 (k) 1 (k) 15 = − x2 + x3 + 8 8 8 (0) (0) (0) x4 = 0.3: Hasil Iterasi Gauss-Seidel 1 2 3 4 0. yaitu x = (1.0000 1..3272 -0. bisa kita simpulkan bahwa iterasi Gauss-Seidel bekTabel 5.9844 1. 0)t .9873 0.9983 1. 0. akan tetapi ternyata ditemukan kondisi yang sebaliknya pada kasus-kasus yang lain.8789 1.0000 0. −1.0025 0. dimana elemen xbaru hasil perhitungan dilibatkan langsung untuk menghitung elemen xbaru selanjutnya.0000 erja lebih efektif dibandingkan iterasi Jacobi. 6000 = 2. 2.84 seperti dibawah ini dimana k adalah jumlah iterasi. Kita bisa saksikan bahwa dibandingkan dengan iterasi Jacobi. 9873 = 0. memang secara umum demikian. Atau dinyatakan seperti ini x(0) = (0. Tabel di bawah ini menampilkan hasil perhitungan hingga iterasi yang ke-5. . x2 = 0.0009 2. x1 (k) (k) BAB 5. 0.0065 2..0000 0. Maka pada k = 1 kita akan memperoleh nilai-nilai x(1) sebagai berikut x1 (1) (0) Misalnya kita tentukan nilai-nilai awal x(0) sebagai berikut x1 = 0.

1)=0.1)-(2/10)*xlama(3.. hitunglah xi = − i−1 j=1 aij xj − n j=i+1 aij XOj + bi aii . end epsilon=sqrt(s) %------memeriksa stopping criteria. 5.1)=-(2/10)*xbaru(1.. ITERASI GAUSS-SEIDEL 85 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 clear all clc %----nilai awal----------xlama(1. %xbaru dijadikan xlama untuk iterasi berikutnya end Perumusan metode Iterasi Gauss-Seidel dapat dinyatakan sebagai berikut: (k) xi = − i−1 j=1 aij xj (k) − n j=i+1 aij xj (k−1) + bi aii (5.1)-xlama(i.4..n.1)+(1/10)*xlama(4.4.1)=0.1)+(1/11)*xlama(3.5.1)=(1/10)*xlama(2.. sc-------if epsilon<sc break end xlama=xbaru.1)-(11/10). xlama(4.n. xlama(2. xbaru(2.1)+(15/8)..1)=-(3/8)*xbaru(2.1)+(1/8)*xbaru(3.2. xbaru %------norm selisih------------s=0.1)=0. xbaru(4.1)+(6/10). for i=1:n s=s+(xbaru(i. xlama(3.. xlama n=4 itermaks=10 sc=0.1)+(25/11).1)=(1/11)*xbaru(1.1)-(3/11)*xlama(4.2 Algoritma • Langkah 1: Tentukan k=1 • Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6 – Langkah 3: Untuk i=1.3.1))^2. xbaru(3.10) dimana i=1.1)+(1/10)*xbaru(2...1)=0.001 %jumlah elemen vektor %jumlah iterasi maksimal %stopping-criteria for i=1:itermaks %------nilai update------------xbaru(1.

J) CONTINUE WRITE (*.A.A)’) ’VEKTOR B:’ DO 111 I = 1. xn ) lalu STOP – Langkah 5: Tentukan k=k+1 – Langkah 6: Untuk i=1.A)’) ’XO(’.*) XO(I) CONTINUE WRITE (*.’(1X.I2.’(1X.A.ITMAX WRITE(*.B.4.I.N DO 62 J = 1.10).A)’) ’MATRIK A:’ DO 110 I = 1.’(1X. tentukan XOi = xi • Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP 5.*) A(I.0 .*) MENAMPILKAN VEKTOR B WRITE (*..EPS.S1.*) LANGKAH 1 K = 1 LANGKAH 2 IF(K.’(1X.N WRITE (*.I2.’) ? ’ READ (*.J.N WRITE (*.A.I.J=1.’(1X.3 Script iterasi Gauss-Seidel dalam Fortran 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 62 52 72 C 110 C 111 C C 100 C IMPLICIT NONE DIMENSION A(10.*) WRITE (*.n.’) ? ’ READ (*.J.B(10).*) MENAMPILKAN MATRIK A WRITE (*.NORM.’.*) ’==> ITERASI GAUSS-SEIDEL UNTUK SISTEM LINEAR <==’ WRITE(*..6) (A(I.’(1X.A)’) ’NILAI EPSILON ATAU TOLERANSI ? ’ READ (*.*) N WRITE (*.*) WRITE(*. .*) CONTINUE WRITE (*.’(1X.N WRITE (*..86 BAB 5.GT. METODE ITERASI – Langkah 4: Jika x − XO < ǫ.’) = ’ READ (*.6) B(I) CONTINUE WRITE (*.A)’) ’B(’.I2.S2 INTEGER N.XO(10) REAL A.N) CONTINUE WRITE (*. maka keluarkan OUTPUT (x1 .A)’) ’JUMLAH PERSAMAAN ? ’ READ (*.I..I.’.XO.ITMAX) GOTO 200 LANGKAH 3 DO 10 I = 1.X.X(10).N WRITE (*.K.’(1X.A)’) ’A(’.I2.A.*) EPS WRITE (*...J).N S1 = 0.*) ’MASUKAN ELEMEN-ELEMEN MATRIK A DAN VEKTOR B’ DO 52 I = 1.*) ’MASUKAN NILAI AWAL UNTUK XO’ DO 72 I = 1.*) ITMAX WRITE (*.A)’) ’JUMLAH ITERASI MAKSIMUM ? ’ READ (*.*) B(I) WRITE (*.

2.5.I) CONTINUE SAYA PILIH NORM-2. *’ .8))) FORMAT(1X.N XO(I) = X(I) CONTINUE GOTO 100 LANGKAH 7 CONTINUE WRITE(*.I-1 S2 = S2-A(I.’MELEBIHI BATAS MAKSIMUM ITERASI’) END 5.EPS) THEN WRITE(*. X(I).3.7) K.F14. ANDA BOLEH PAKAI NORM YANG LAIN! NORM = 0.J)*XO(J) CONTINUE S2 = 0.0 DO 23 J=1.’(1X.NORM GOTO 400 END IF LANGKAH 5 K = K+1 LANGKAH 6 DO 30 I=1.LE. ITERASI DENGAN RELAKSASI 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 87 20 23 10 C 40 C C C 30 C 200 400 5 6 7 9 DO 20 J=I+1.I=1.I3) FORMAT(1X. diketahui sistem persamaan .(6(1X.N) WRITE(*.J)*X(J) CONTINUE X(I) = (S2+S1+B(I))/A(I.F14.n.8) FORMAT(1X.0 DO 40 I=1.9) STOP FORMAT(1X.N NORM = NORM + (X(I)-XO(I))*(X(I)-XO(I)) CONTINUE NORM = SQRT(NORM) WRITE(*.I.’) = ’.I3..’(1X. Untuk lebih jelasnya.F14.11) dimana i=1.I3)’) ’ITERASI KE-’. NORM WRITE(*..A.8)’) ’NORM-2 = ’.’..N S1 = S1-A(I. marilah kita perhatikan contoh berikut.’(1X. K WRITE(*..*) LANGKAH 4 IF(NORM.A.’KONVERGEN PADA ITERASI YANG KE.8)’) (’X(’.I3.A.5 Iterasi dengan Relaksasi Metode Iterasi Relaksasi (Relaxation method ) dinyatakan dengan rumus berikut: (k) xi  ω  (k−1) bi − = (1 − ω) xi + aii i−1 j=1 aij xj − (k) n j=i+1 aij xj (k−1)   (5.F14.5. NORM= ’.A.

9267 -5.9888 -5.9963 4.0028 k x1 (k) x2 (k) x3 (k) Tabel 5. 75x2 = = (k−1) +6 0.0044 k x1 (k) x2 (k) x3 (k) 0 1 1 1 7 3.8828 -5. persamaan Gauss-Seidelnya adalah x1 (k) (k) x2 (k) x3 = −0. 25x3 (k) (k−1) + 0. 5 (k−1) (k) = −0. Tabel 5.0967 2.9542 -5. 3125x3 + 9.6004 3.0029 -5.0072 3. Pertanyaannya sekarang. −5)t .0879 3.0549 3.88 linear Ax = b yaitu 4x1 + 3x2 + = 24 3x1 + 4x2 − x3 = 30 −x2 + 4x3 = −24 BAB 5. 25x2 = 0.0215 3. 25x1 (k−1) (k) − 0. 25 adalah x1 x2 x3 (k) (k) = −0. 3.0183 3.4: Hasil perhitungan iterasi Gauss-Seidel 1 2 3 4 5 6 5. 1)t .0114 3.9983 3. dimana metode ini berguna agar sistem persamaan linear bisa mencapai kondisi konvergen walaupun sistem tersebut sulit mencapai kondisi konvergen dengan metode Gauss- ..3125 3.6223 3.0102 -5. ..1333 4.6501 2.9585 -4.. Jadi. 2.5195 -6.2500 3. 75x1 + (k) 0.0057 2. 5 Sedangkan persamaan untuk metode Relaksasi dengan ω = 1. Relaksasi lebih efektif dibandingkan Gauss-Seidel. Metode Gauss-Seidel dan Relaksasi dengan ω = 1. 25x3 (k−1) (k) −0.0000 4. 3125x2 − 0. 5 Tabel berikut ini menampilkan perhitungan dari masing-masing metode hingga iterasi ke-7.0003 Dari kasus ini. 25x2 − 6 + 7. METODE ITERASI memiliki solusi (3. 25 akan digunakan untuk menyelesaikan sistem persamaan linear di atas dengan x(0) = (1. 1.9735 3. bagaimana menentukan nilai ω optimal? Metode Relaksasi dengan pilihan nilai ω yang berkisar antara 0 dan 1 disebut metode underrelaxation.0293 3.0002 -5.8125 -5.9821 -5. 375 − 7.0134 3.0075 -4.9714 -5.9570 4.1406 3. pada kasus ini (dan juga secara umum).0009 -4.0343 3. 25 0 1 2 3 4 5 6 7 1 1 1 6. 9375x1 − 0. 9375x2 (k−1) (k−1) + 7.0468 3. 4. bisa kita simpulkan bahwa iterasi Relaksasi memerlukan proses iterasi yang lebih singkat dibandingkan iterasi Gauss-Seidel.0037 4. Untuk setiap nilai k = 1.5: Hasil perhitungan iterasi Relaksasi dengan ω = 1.

. .1 Algoritma Iterasi Relaksasi • Langkah 1: Tentukan k=1 • Langkah 2: Ketika (k ≤ N ) lakukan Langkah 3-6 – Langkah 3: Untuk i=1. xn ) lalu STOP – Langkah 5: Tentukan k=k+1 – Langkah 6: Untuk i=1...5.n.. 5. Sementara bila ω nilainya lebih besar dari angka 1. tentukan XOi = xi • Langkah 7: OUTPUT (’Iterasi maksimum telah terlampaui’) lalu STOP Demikianlah catatan singkat dari saya tentang metode iterasi untuk menyelesaikan problem sistem persamaan linear.com... maka disebut metode successive over-relaxation (SOR). ITERASI DENGAN RELAKSASI 89 Seidel. silakan hubungi saya melalui email: supri92@gmail. . Insya Allah akan saya sambung lagi dilain waktu..n... yang mana metode ini berguna untuk mengakselerasi atau mempercepat kondisi konvergen dibandingkan dengan Gauss-Seidel..5.5. Metode SOR ini juga sangat berguna untuk menyelesaikan sistem persamaan linear yang muncul dari persamaan diferensial-parsial tertentu. hitunglah ω − i−1 j=1 aij xj xi = (1 − ω) XOi + − aii n j=i+1 aij XOj + bi – Langkah 4: Jika x − XO < ǫ. Saya cukupkan sementara sampai disini. maka keluarkan OUTPUT (x1 . Kalau ada yang mau didiskusikan.

.

Misalnya. Langkah pertama yang kita lakukan adalah mendefinisikan fungsi berikut L0 (x) = dan L1 (x) = x − x1 x0 − x1 x − x0 x1 − x0 kemudian kita definisikan fungsi polinomial sebagai berikut P (x) = L0 (x)y0 + L1 (x)y1 Jika semua persamaan diatas kita gabungkan.1 Interpolasi Lagrange Interpolasi Lagrange diterapkan untuk mendapatkan fungsi polinomial P (x) berderajat tertentu yang melewati sejumlah titik data. y0 ) dan (x1 . maka akan didapat P (x) = L0 (x)y0 + L1 (x)y1 x − x1 x − x0 P (x) = y0 + y1 x0 − x1 x1 − x0 dan ketika x = x0 P (x0 ) = x0 − x0 x0 − x1 y0 + y1 = y0 x0 − x1 x1 − x0 91 . y1 ). kita ingin mendapatkan fungsi polinomial berderajat satu yang melewati dua buah titik yaitu (x0 .Bab 6 Interpolasi  Objektif : ⊲ Mengenalkan Interpolasi Lagrange ⊲ Mengenalkan Interpolasi Spline-cubic 6.

y2 ). Ketika x = x0 P (x0 ) = (x0 − x1 )(x0 − x2 ) (x0 − x0 )(x0 − x2 ) (x0 − x0 )(x0 − x1 ) y0 + y1 + y2 = y0 (x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 ) pada saat x = x1 P (x1 ) = (x1 − x1 )(x1 − x2 ) (x1 − x0 )(x1 − x2 ) (x1 − x0 )(x1 − x1 ) y0 + y1 + y2 = y1 (x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 ) pada saat x = x2 P (x2 ) = (x2 − x0 )(x2 − x2 ) (x2 − x0 )(x2 − x1 ) (x2 − x1 )(x2 − x2 ) y0 + y1 + y2 = y2 (x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 ) . y0 ). y1 ). y0 ) dan (x1 . Misalnya ada tiga titik yaitu (x0 .92 dan pada saat x = x1 P (x1 ) = BAB 6. y1 ) dan (x2 . Sekarang mari kita perhatikan lagi contoh lainnya.. kita bisa sepakat bahwa fungsi polinomial P (x) = x − x1 x − x0 y0 + y1 x0 − x1 x1 − x0 (6. maka akan didapat fungsi polinomial P (x) = (x − x0 )(x − x2 ) (x − x0 )(x − x1 ) (x − x1 )(x − x2 ) y0 + y1 + y2 (x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 ) Kita uji sebentar.1) x1 − x1 x1 − x0 y0 + y1 = y1 x0 − x1 x1 − x0 benar-benar melewati titik (x0 . INTERPOLASI dari contoh ini. Tentukanlah fungsi polinomial yang melewati ketiganya! Dengan pola yang sama kita bisa awali langkah pertama yaitu mendefinisikan L0 (x) = lalu L1 (x) = dan L2 (x) = (x − x1 )(x − x2 ) (x0 − x1 )(x0 − x2 ) (x − x0 )(x − x2 ) (x1 − x0 )(x1 − x2 ) (x − x0 )(x − x1 ) (x2 − x0 )(x2 − x1 ) kemudian kita definisikan fungsi polinomial sebagai berikut P (x) = L0 (x)y0 + L1 (x)y1 + L2 (x)y2 Jika semua persamaan diatas kita gabungkan. kira-kira apa kesimpulan sementara anda? Ya. (x1 .

1) hanya ada x.2).2 Interpolasi Cubic Spline Gambar 6.2) sementara pada persamaan (6.1: Fungsi f (x) dengan sejumlah titik data Gambar 6. sedangkan persamaan (6. 6.1) dan persamaan (6. INTERPOLASI CUBIC SPLINE Terbukti bahwa fungsi polonomial P (x) = (x − x0 )(x − x2 ) (x − x0 )(x − x1 ) (x − x1 )(x − x2 ) y0 + y1 + y2 (x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 ) (x2 − x0 )(x2 − x1 ) 93 (6. terlihat bahwa derajat persamaan (6. Hal ini terlihat dari x2 pada persamaan (6.2) melewati ketiga titik tadi.2) lebih tinggi dibandingkan dengan derajat persamaan (6.2.1) disebut fungsi polinomial berderajat 1. Kalau kita bandingkan antara persamaan (6.2: Pendekatan dengan polinomial cubic spline .1).6. persamaan (6.2) disebut funsi polinomial berderajat 2.

nilai f (xj ) bersesuaian dengan S(xj ) dimana j = 0..4) .. dan memiliki sejumlah titik data a = x0 < x1 < . sehingga aj+1 = aj + bj hj + cj h2 + dj h3 j j Kemudian. 1. artinya pada setiap titik data (xj ). konsekuensinya S(xj+1 ) = aj+1 . Ya. 1.. < xn = b. n − 1. artinya kontinyuitas menuntut turunan kedua dari Sj dan Sj+1 pada titik xj+1 harus bersesuaian juga. ′′ ′′ 5. n. yaitu ketika x = xj+1 dimasukan ke persamaan (11... n − 2. 1.. Berdasarkan ketentuan (3). artinya kontinyuitas menuntut turunan pertama dari Sj dan Sj+1 pada titik xj+1 harus bersesuaian. INTERPOLASI Diketahui suatu fungsi f (x) (Figure 6. . . 1.2. Sj+1 (xj+1 ) = Sj (xj+1 ).3) (6.. Salah satu syarat batas diantara 2 syarat batas x0 dan xn berikut ini mesti terpenuhi: • S ′′ (x0 ) = S ′′ (xn ) = 0 ini disebut natural boundary • S ′ (x0 ) = f ′ (x0 ) dan S ′ (xn ) = f ′ (xn ) ini disebut clamped boundary Polinomial cubic spline S (polinomial pangkat 3) untuk suatu fungsi f berdasarkan ketentuan di atas adalah Sj (x) = aj + bj (x − xj ) + cj (x − xj )2 + dj (x − xj )3 dimana j = 0. Dengan pola ini maka pasangan titik data xj+1 adalah aj+1 ... 3.. Maka ketika x = xj Sj (xj ) = aj + bj (xj − xj ) + cj (xj − xj )2 + dj (xj − xj )3 Sj (xj ) = aj = f (xj ) Itu artinya..7) adalah ′ Sj (x) = bj + 2cj (x − xj ) + 3dj (x − xj )2 (6. ′ ′ 4.2) berderajat tiga (cubic ) yang menghubungkan dua titik data yang bersebelahan dengan ketentuan sebagai berikut: 1.. Interpolasi cubic spline S(x) adalah sebuah potongan fungsi polinomial kecil-kecil (Figure 6. Sj+1 (xj+1 ) = Sj (xj+1 ). Sj+1 (xj+1 ) = Sj (xj+1 ). Sekarang. . Sj (x) adalah potongan fungsi yang berada pada sub-interval dari xj hingga xj+1 untuk nilai j = 0. aj selalu jadi pasangan titik data dari xj .. n − 1.94 BAB 6. tentu saja jika fungsi itu kontinyu. maka titik xj+1 menjadi titik sambungan antara Sj dan Sj+1 ... . turunan pertama dari persamaan (11. 2. 6. Perhatikan titik xj+1 pada Figure 6. S(xj ) = f (xj ).7) aj+1 = Sj+1 (xj+1 ) = Sj (xj+1 ) = aj + bj (xj+1 − xj ) + cj (xj+1 − xj )2 + dj (xj+1 − xj )3 dimana j = 0.1) yang dibatasi oleh interval a dan b. kita nyatakan hj = xj+1 − xj .

2. ′ bj+1 = Sj (xj+1 ) = bj + 2cj (xj+1 − xj ) + 3dj (xj+1 − xj )2 Ini dapat dinyatakan sebagai bj+1 = bj + 2cj (xj+1 − xj ) + 3dj (xj+1 − xj )2 dan dinyatakan dalam hj 2 bj+1 = bj + 2cj hj + 3dj hj (6. ketika x = xj ′′ Sj (xj ) = cj + 3dj (xj − xj ) = cj dan ketika x = xj+1 ′′ cj+1 = Sj (xj+1 ) = cj + 3dj (xj+1 − xj ) cj+1 = cj + 3dj hj dan dj bisa dinyatakan dj = (6.7) ′′ Sj (x) = 2cj + 6dj (x − xj ) (6. sehingga persamaan ini dimodifikasi menjadi ′′ Sj (x) = cj + 3dj (x − xj ) dengan cara yang sama.7) 1 (cj+1 − cj ) 3hj dari sini. kita hitung turunan kedua dari persamaan (11. INTERPOLASI CUBIC SPLINE ketika x = xj .8) h2 j = aj + bj hj + (2cj + cj+1 ) 3 . persamaan (6. ′ Sj (xj ) = bj + 2cj (xj − xj ) + 3dj (xj − xj )2 = bj 95 dan ketika x = xj+1 .5) Berikutnya.6) tapi dengan ketentuan tambahan yaitu S ′′ (x)/2.6.4) dapat ditulis kembali aj+1 = aj + bj hj + cj h2 + dj h3 j j = aj + bj hj + cj h2 + j h2 j (cj+1 − cj ) 3 (6.

.. hj−1 cj−1 + 2(hj−1 + hj )cj + hj cj+1 = 3 3 (aj+1 − aj ) − (aj − aj−1 ) hj hj−1 (6. .8) bj = dan untuk bj−1 bj−1 = hj 1 (aj+1 − aj ) − (2cj + cj+1 ) hj 3 (6. 0    ... . .10) hj−1 1 (aj − aj−1 ) − (2cj−1 + cj ) hj−1 3 (6.. . .. Demikian halnya dengan cn harganya harus nol.. 0    h0 2(h0 + h1 ) h1  0 h1 2(h1 + h2 )  A= . kita bisa evaluasi persamaan (6.6) S ′′ (x0 ) = 2c0 + 6d0 (x0 − x0 ) = 0 jelas sekali c0 harus berharga nol. . nilai {hj }j=0 dan nilai {aj }n suj=0 dihitung dari persamaan ini.. 2.12) dapat dihitung dengan operasi matrik Ax = b dimana  1 0 0 .. . ... Jadi untuk natural boundary.... dah diketahui.. . Persamaan (6. Dalam sistem persamaan ini.....11) Langkah berikutnya adalah mensubtitusikan persamaan (6.. sementara nilai {cj }n belum diketahui dan memang nilai inilah yang akan j=0 Sekarang coba perhatikan ketentuan nomor (6). .9). kita coba mendapatkan bj dari persamaan (6... 0 h2 . 0 . cn . .  0 . ketika S ′′ (x0 ) = S ′′ (xn ) = 0... nilai c0 = cn = 0.   2(hn−2 + hn−1 ) hn−1   0 1   c0    c1  x=.... .. hn−2  0   . n − 1. .. INTERPOLASI (6.. ..11) kedalam persamaan (6. .5) menjadi bj+1 = bj + 2cj hj + 3dj h2 j = bj + 2cj hj + hj (cj+1 − cj ) = bj + hj (cj + cj+1 ) BAB 6... . 0 . berapakah nilai c0 dan cn ? Nah. .10) dan persamaan (6.  ..9) Sampai sini masih bisa diikuti. bukan? Selanjutnya..96 sementara persamaan (6. ... . .12) n−1 dimana j = 1.

6.2. INTERPOLASI CUBIC SPLINE

97

  3 3   h1 (a2 − a1 ) − h0 (a1 − a0 )     . . b=  .     3 (a − a 3 n−1 ) − hn−2 (an−1 − an−2 )  hn−1 n 0

0

Sekarang kita beralih ke clamped boundary dimana S ′ (a) = f ′ (a) dan S ′ (b) = f ′ (b). Nah, kita bisa evaluasi persamaan (6.10) dengan j = 0, dimana f ′ (a) = S ′ (a) = S ′ (x0 ) = b0 , sehingga f ′ (a) = konsekuensinya, 2h0 c0 + h0 c1 = h0 1 (a1 − a0 ) − (2c0 + c1 ) h0 3 3 (a1 − a0 ) − 3f ′ (a) h0

(6.13)

Sementara pada xn = bn dengan persamaan (6.9) f ′ (b) = bn = bn−1 + hn−1 (cn−1 + cn ) sedangkan bn−1 bisa didapat dari persamaan (6.11) dengan j = n − 1 bn−1 = Jadi f ′ (b) = = 1 hn−1 (an − an−1 ) − (2cn−1 j + cn ) + hn−1 (cn−1 + cn ) hn−1 3 hn−1 1 (an − an−1 + (cn−1 j + 2cn ) hn−1 3 1 hn−1 (an − an−1 ) − hn−1 (2cn−1 j + cn ) 3

dan akhirnya kita peroleh hn−1 cn−1 + 2hn−1 Cn = 3f ′ (b) − 3 hn−1 (an − an−1 ) (6.14)

Persamaan (6.13) dan persamaan (6.14) ditambah persamaan (6.12 membentuk operasi matrik Ax = b dimana  2h0 h0 0   h0 2(h0 + h1 ) h1   0 h1 2(h1 + h2 )  A= ... ... ...  ... ... ...  0 ... ... ... 0 h2 ... ... ... ... 0 ... 0 ... ... 0 0 

. . . hn−2

   ... 0    ... ...   2(hn−2 + hn−1 ) hn−1   hn−1 2hn−1

98

BAB 6. INTERPOLASI

Gambar 6.3: Profil suatu object

  3 3   h1 (a2 − a1 ) − h0 (a1 − a0 )   .   . b=  .     3 (a − a 3 n−1 ) − hn−2 (an−1 − an−2 )  hn−1 n 3 3f ′ (b) − hn−1 (an − an−1 )

  c0    c1  x=. . . cn
3 h0 (a1

− a0 ) − 3f ′ (a)

6.2. INTERPOLASI CUBIC SPLINE

99

Gambar 6.4: Sampling titik data

Gambar 6.5: Hasil interpolasi cubic spline

0 6.5 1.59 -0.0 12.9 1.04 0.95 -2.3 aj 1.2 10.0 9.25 2.7 0.0 3.95 1.02 0.07 0.45 0.18 -0.01 -0.37 -1.1 -0.4 2.3 1.34 -0.j 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 xj 0.08 1.25 0.27 -0.58 0.45 0.6: Hasil interpolasi lagrange .1 2.00 -0.4 0.0 7.02 1.6 13.54 dj -0.96 -0.4 0.30 1.1 2.25 1.6 12.4 0.3 2.6 3.08 1.08 0.14 -0.25 bj 5.06 0 -0.14 -0.0 13.6 0.9 2.02 -0.53 -0.0 8.17 0.48 -0.15 0.04 -0.05 -0.5 0.01 -0.42 1.4 4.05 2.49 -0.73 -0.9 4.7 5.03 -0.5 -0.29 0.3 1.16 -0.04 -0.50 -0.60 Gambar 6.85 2.11 -0.00 -0.26 0.39 cj 0.5 11.84 0.04 -0.3 11.09 1.6 2.45 0.41 -0.9 0.7 2.02 -0.03 0.1 2.15 2.21 -0.31 -1.94 -0.

Jarak antar point dirumuskan sebagai h= b−a N (7.2) dengan N adalah bilangan integer positif. dt a ≤ t ≤ b.. Nilai h ini juga dikenal dengan nama step size. Selanjutnya nilai t diantara a dan b ditentukan berdasarkan ti = a + ih. . 1. 2. Akan tetapi kita sama sekali tidak tahu bentuk formulasi persamaan asalnya y(t). y). y)..1 memperlihatkan kurva persamaan asal y(t) yang tidak diketahui bentuk formulasinya.3) .1 Metode Euler Suatu persamaan diferensial ( dy ) dinyatakan dalam fungsi f (t. Sementara. y(a) = α (7. syarat awal telah diketahui yaitu pada saat t = a maka y bernilai α. Tantangannya adalah bagaimana kita bisa mendapatkan solusi persamaan diferensial untuk setiap nilai y(t) yang t-nya terletak diantara a dan b ? Tahap awal solusi pendekatan numerik adalah dengan menentukan point-point dalam jarak yang sama di dalam interval [a.Bab 7 Diferensial Numerik  Objektif : ⊲ Mengenalkan metode Euler ⊲ Mengenalkan metode Runge Kutta orde 4 ⊲ Mengenalkan metode Finite Difference ⊲ Mengenalkan Persamaan Diferensial Parsial Eliptik ⊲ Mengenalkan Persamaan Diferensial Parsial Hiperbolik ⊲ Mengenalkan Persamaan Diferensial Parsial Parabolik 7. dimana y(t) adalah perdt samaan asalnya dy = f (t. Gambar 7.b]. N 101 (7.1) Nilai t dibatasi dari a hingga ke b. i = 0..

Dalam deret Taylor. 5 (7. a = 0. . N − 1.. Sehingga metode Euler diformulasikan sebagai wi+1 = wi + hf (ti .. Disini terlihat bahwa batas awal interval..b]. ditentukan pasangan t1 sebagai w1 . y(ti )).. Contoh Diketahui persamaan diferensial y ′ = y − t2 + 1 batas interval: 0 ≤ t ≤ 2 syarat awal: y(0) = 0. Pasangan t1 adalah y(t1 ). Disamping itu.y) y(a)=a y(t) w1 a h t0=a t1 t2 y’(a)=f(a. y(ti )) + h2 ′′ y (ξi ) 2 (7.. pasangan t2 adalah y(t2 ). tN=b t y’=f(t.5) (ti+1 − ti )2 ′′ y (ξi ) 2 (7..7) dimana N = 10. dimana y ′ (ti ) tak lain adalah fungsi turunan f (ti . dan batas akhir b = 2. begitu seterusnya. yang memuat turunan kedua..1).8) dengan syarat awal w0 = α (7. 1. fungsi y(t) adalah fungsi yang kontinyu dan memiliki turunan dalam interval [a. kemudian berdasarkan garis singgung tersebut. DIFERENSIAL NUMERIK y y’=f(t. maka y(ti+1 ) = y(ti ) + hf (ti . Metode Euler diturunkan dari deret Taylor. Misalnya. Perhatikan gambar itu sekali lagi! w1 dan y(t1 ) beda tipis alias tidak sama persis..102 y y(tN)=y(b) y(t2) y(t1) y(t0)=a h t0=a t1 t2 .. pada umumnya.4) dan. notasi penulisan bagi y(ti ) diganti dengan wi . Kanan: Garis singgung yang menyinggung kurva y(t) pada t=a. maka y(ti+1 ) = y(ti ) + hy ′ (ti ) + h2 ′′ y (ξi ) 2 (7.y) y(a)=a y(t) BAB 7.1: Kiri: Kurva y(t) dengan pasangan titik absis dan ordinat dimana jarak titik absis sebesar h. . tN=b t Gambar 7.a) .6). wi ) dimana i = 0. dapat diabaikan.. karena y(t) memenuhi persamaan diferensial (7. 2. fungsi y(t) tersebut dirumuskan sebagai y(ti+1 ) = y(ti ) + (ti+1 − ti )y ′ (ti ) + dengan memasukkan h = (ti+1 − ti ).6) Metode Euler dibangun dengan pendekatan bahwa suku terakhir dari persamaan (7.

9. % nilai w awal t0=0. 1. 1.. 2 = 1. %batas akhir interval a=0. maka i = 0. 8657845 Berikut ini adalah script matlab untuk menghitung w1 . % nilai t awal % perubahan t sesuai step-size h adalah: t1=a+1*h... 1520000 Pada saat i = 2 w3 = 1. 2 = 0. 5504000 Demikian seterusnya. . 2 = 4.. 2. 2 N 10 kemudian dilanjutkan dengan menentukan posisi titik-titik ti berdasarkan rumus ti = a + ih = 0 + i(0. 2w0 − 0.1. 2w2 − 0. 2. Karena N = 10. %batas awal interval N=10. 2wi − 0. 2 = wi + 0. N − 1. % nilai step-size w0=0. hingga mencapai i = 9 w10 = 1.7. 5 w0 = 0.. 2(wi − 0. % bilangan interger positif h=(b-a)/N. 2) sehingga ti = 0. 04i2 + 1) Pada saat i = 0 dan dari syarat awal diketahui w0 = 0. 2i serta menetapkan nilai w0 yang diambil dari syarat awal y(0) = 0. w2 . 8000000 Pada saat i = 1 w2 = 1. 2 = 1. 008(1)2 + 0. 008(0)2 + 0. 2w9 − 0. pertama kali yang harus dilakukan adalah menghitung step-size (h). 5. clear all clc format long b=2.. 008(9)2 + 0.5. 008i2 + 0. 5 Dengan demikian persamaan euler dapat dinyatakan sebagai wi+1 = wi + h(wi − t2 + 1) i = 1. . 2w1 − 0. sampai w10 1 2 3 4 5 6 7 8 9 10 11 12 13 14 dimana i = 0. METODE EULER 103 Dalam penerapan metode euler. 008(2)2 + 0. kita bisa menghitung w1 w1 = 1. caranya h= 2−0 b−a = = 0. .

t10=a+10*h. t3=a+3*h. end w Disisi lain. end % solusinya: w(1)=w0+h*(w0-t0^2+1). % solusinya: w1=w0+h*(w0-t0^2+1) w2=w1+h*(w1-t1^2+1) w3=w2+h*(w2-t2^2+1) w4=w3+h*(w3-t3^2+1) w5=w4+h*(w4-t4^2+1) w6=w5+h*(w5-t5^2+1) w7=w6+h*(w6-t6^2+1) w8=w7+h*(w7-t7^2+1) w9=w8+h*(w8-t8^2+1) w10=w9+h*(w9-t9^2+1) Atau bisa dipersingkat sebagai berikut 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 clear all clc format long b=2. 5et Script matlab untuk mendapatkan solusi exact ini adalah: 1 2 (7. t8=a+8*h. %batas akhir interval a=0.5. % bilangan interger positif h=(b-a)/N.104 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 BAB 7. % nilai t awal % perubahan t sesuai step-size h adalah: for i=1:N t(i)=a+(i*h). t6=a+6*h. DIFERENSIAL NUMERIK t2=a+2*h. t5=a+5*h. for i=2:N k=i-1. t7=a+7*h. % nilai w awal t0=0. % nilai step-size w0=0. w(i)=w(k)+h*(w(k)-t(k)^2+1). %batas awal interval N=10. solusi exact persamaan diferensial (7.8) adalah y(t) = (t + 1)2 − 0. t9=a+9*h.9) clear all clc . t4=a+4*h.

end % solusi exact: for i=1:N y(i)=(t(i)+1)^2-0.4 1.2806266 8 1.8151763 0. Terlihat angkanya tumbuh se- makin besar seiring dengan bertambahnya ti .2140877 0.8 1.4281538 4.1387495 5 1.6489406 0. %batas akhir interval a=0.0292986 2 0.0000000 1 0.4 3. Saya kira tidak ada salahnya untuk mengantisipasi kesalahan pengetikan fungsi turunan . tak lain menunjukkan keberadaan error (kesalahan).3333557 9 1.0985406 4 0.5504000 1.1272295 0.6 3. salah satu pemecahannya adalah dengan menerapkan metode Runge-Kutta orde-4.5000000 0.4581760 2.4396874 Coba anda perhatikan sejenak bagian kolom selisih |wi − yi |.6408591 0.8000000 0.0 2.8292986 0.1826831 6 1. Adanya jarak. % nilai step-size % perubahan t sesuai step-size h adalah: for i=1:N t(i)=a+(i*h).4517734 3.7324000 0.2 0. ada baiknya kita memodifikasi script matlab yang terakhir tadi.9498112 3.1. Sementara solusi exact y(ti ) diwakili oleh titik-titik biru.7.3870225 10 2.5000000 0.3054720 0. end y Tabel 7.6 1.2 2. akurasi metode euler justru berkurang. Tampak jelas bahwa titik-titik biru dan titik-titik merah –pada nilai t yang sama– tidak ada yang berhimpit alias ada jarak yang memisahkan mereka.2301303 7 1.9501281 4. Hasil perhitungan metode euler yang diwakili oleh titik-titik merah ternyata menghadirkan tingkat kesalahan yang semakin membesar ketika menuju ke-N atau ketika ti bertambah. mari kita plot hasil-hasil ini dalam suatu gambar.2) memperlihatkan sebaran titik-titik merah yang merupakan hasil perhitungan metode euler (wi ).2834838 0. Untuk lebih jelasnya.8 4. Artinya. Bahkan semakin ke kanan.1: Solusi yang ditawarkan oleh metode euler wi dan solusi exact y(ti ) serta selisih antara keduanya i ti wi yi = y(ti ) |wi − yi | 0 0.8657845 5.0 0.9884800 2. Namun sebelum masuk ke pembahasan tersebut.0 4. Gambar (7. %batas awal interval N=10.1520000 1.1799415 0. Untuk mengatasi hal ini. % bilangan interger positif h=(b-a)/N.5*exp(t(i)). jarak itu semakin melebar. ketika ti membesar. METODE EULER 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 105 format long b=2.0620877 3 0.

lebih baik fungsi turunan tersebut dipindahkan kedalam satu file terpisah. DIFERENSIAL NUMERIK 5 4.8 2 Gambar 7. Setelah itu. script metode euler dimodifikasi menjadi seperti ini 1 2 3 clear all clc . dimana lingkaran-lingkaran kecil warna biru pada kurva menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.4 0. isi file function untuk contoh yang sedang kita bahas ini adalah function y = futur(t. Jadi.5 BAB 7.6 0.9).2 0.8 1 t 1. Kemudian file ini harus disimpan dalam folder yang sama dimana disana juga terdapat file untuk memproses metode euler. dalam contoh ini nama file function tersebut harus bernama futur. Sedangkan titik-titik merah mengacu pada hasil perhitungan metode euler.5 0. w(1)=w0+h*(w0-t0^2+1). File function ini mesti di-save dengan nama file yang sama persis dengan nama fungsinya.4 1.m. dan w(i)=w(k)+h*(w(k)-t(k)^2+1). Di lingkungan matlab.2 1. bisa jadi kita akan lupa untuk mengetikkan formulasi yang baru di kedua baris tersebut.2: Kurva biru adalah solusi exact. yang terdapat dalam script sebelumnya yaitu.6 1.5 1 0. file tersebut disebut file function. Ketika fungsi turunan memiliki formulasi yang berbeda dengan contoh di atas.t^2 + 1.5 y(t) 3 2.5 4 3. Oleh karena itu. yaitu nilai wi .106 5.5 2 1.w) y = w .

14) . % nilai step-size w0=0.w0).13) (7. wi + k1 ) 2 2 h 1 k3 = hf (ti + . Sekarang mari kita membahas metode Runge Kutta. Ok. % nilai t awal % perubahan t sesuai step-size h adalah: for i=1:N t(i)=a+(i*h).2 Metode Runge Kutta Pada saat membahas metode Euler untuk penyelesaian persamaan diferensial. Dikaitkan dengan hal tersebut.11) (7. kita telah sampai pada kesimpulan bahwa truncation error metode Euler terus membesar seiring dengan bertambahnya iterasi (ti ). %batas akhir interval a=0.m saja.w(k)). Contoh Saya ambilkan contoh yang sama seperti contoh yang sudah kita bahas pada metode Euler. end w Mulai dari baris ke-13 sampai dengan baris ke-24.10) (7. Persamaan-persamaan yang menyusun metode Runge-Kutta Orde-4 adalah w0 = α k1 = hf (ti . %batas awal interval N=10. 7. METODE RUNGE KUTTA 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 107 format long b=2.2. w) adalah fungsi turunan. wi ) 1 h k2 = hf (ti + . % nilai w awal t0=0. 5 (7. 0 ≤ t ≤ 2. w(i)=w(k)+h*futur(t(k).7. % bilangan interger positif h=(b-a)/N. wi + k3 ) 1 wi+1 = wi + (k1 + 2k2 + 2k3 + k4 ) 6 dimana fungsi f (t. end % solusinya: w(1)=w0+h*futur(t0. Artinya.12) (7. for i=2:N k=i-1. tidak perlu diubah-ubah lagi. metode Runge-Kutta Orde-4 menawarkan penyelesaian persamaan diferensial dengan pertumbuhan truncation error yang jauh lebih kecil. y(0) = 0. jika ada perubahan formulasi fungsi turunan. maka itu cukup dilakukan pada file futur. Diketahui persamaan diferensial y ′ = y − t2 + 1.5. wi + k2 ) 2 2 k4 = hf (ti+1 .

3 ) − (0. 3 lalu menghitung k2 k2 = hf (t0 + k1 h . 2 2 0. 2[(0. w0 + k3 ) = 0. 5 + 2 2 = 0. 328 ) − (0. 2[(0. 5 + 2 2 = 0. 2 N 10 BAB 7. w0 + ) 2 2 k2 h = h[(w0 + ) − (t0 + )2 + 1)] 2 2 0. 0 + ) + 1)] = 0. 2)2 + 1] = 0. 328 = h(w0 − t2 + 1) 0 dilanjutkan dengan k3 k3 = hf (t0 + h k2 . 2 2 0. DIFERENSIAL NUMERIK ti = 0. 0 + ) + 1)] = 0. 2((0. 3308) − (0. Untuk menghitung w1 . 5 + 0. 5 → b−a 2−0 = = 0. maka step-size bisa dihitung terlebih dahulu h= dan ti = a + ih = 0 + i(0. 2) serta w0 = 0. 3308 kemudian k4 k4 = hf (t1 . 2[(0. 5) − (0. 35816 = h[(w0 + k3 ) − t2 + 1] 1 . 2i Sekarang mari kita terapkan metode Runge-Kutta Orde-4 ini. w0 + ) 2 2 h k1 = h[(w0 + ) − (t0 + )2 + 1)] 2 2 0.108 Jika N = 10. tahaptahap perhitungannya dimulai dari menghitung k1 k1 = hf (t0 . w0 ) = 0. 0)2 + 1) = 0.

328) + 2(0.w0). w(i)=w(k)+1/6*(k1+2*k2+2*k3+k4). 3 + 2(0. 656 + 0. k2=h*futur(t0+h/2. %batas akhir interval a=0. %batas awal interval N=10. pada kolom |wi − untuk membantu menyelesaikan persamaan-diferensial-biasa. % nilai step-size w0=0.w0+k1/2). w2 .m mesti berada dalam satu folder dengan file Runge Kutta nya! . Script matlab-nya sebagai berikut1 : 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 clear all clc format long b=2. w4 dan seterusnya dapat dihitung dengan program komputer. 35816) 6 1 = 0. % nilai t awal % perubahan t sesuai step-size h adalah: for i=1:N t(i)=a+(i*h). k3=h*futur(t(k)+h/2. file futur. w(1)=w0+1/6*(k1+2*k2+2*k3+k4).7. 5 + (0.2).w(k)).w(k)+k1/2). 3308) + 0. end w Dibandingkan dengan metode Euler.w0+k3). METODE RUNGE KUTTA akhirnya diperoleh w1 w1 = w0 + 1 (k1 + 2k2 + 2k3 + k4 ) 6 1 = 0.w(k)+k3).2. 3 + 0. 35816) 6 = 0. 5 + (0. w3 . k1=h*futur(t(k). tingkat pertumbuhan truncation error. % bilangan interger positif h=(b-a)/N.w0+k2/2). for i=2:N k=i-1. yi | (lihat Tabel 7. k4=h*futur(t(1). end % solusinya: k1=h*futur(t0. % nilai w awal t0=0. 6616 + 0.5.w(k)+k2/2). k2=h*futur(t(k)+h/2. k4=h*futur(t(i). jauh lebih rendah sehingga metode Runge-Kutta Orde Empat lebih disukai Contoh tadi tampaknya dapat memberikan gambaran yang jelas bahwa metode Runge- Kutta Orde Empat dapat menyelesaikan persamaan diferensial biasa dengan tingkat akurasi 1 Jangan lupa. k3=h*futur(t0+h/2. 8292933 109 Dengan cara yang sama.

0 5.8 1 t 1.0001089 5.0000186 4 0.5 2 1.6 4.0 0.110 BAB 7.4 1.0000474 7 1.2: Solusi yang ditawarkan oleh metode Runge Kutta orde 4 (wi ) dan solusi exact y(ti ) serta selisih antara keduanya i ti wi yi = y(ti ) |wi − yi | 0 0.0000053 2 0. kalau anda jeli.5000000 0.0000364 6 1. yaitu nilai wi .2 3.6 1.3: Kurva biru adalah solusi exact.3054720 0.5 1 0.6408591 0.2834838 0.0000269 5 1.8292986 0.1798942 3.0000000 1 0.2140762 1. yang lebih tinggi.0000114 3 0.5 y(t) 3 2.4 1.1272295 0. C = 5.3053630 5.0000743 9 1.8 4.00 ×105 Ω.4).2 0. ada suatu pertanyaan cukup serius yaitu apakah metode ini dapat digunakan bila pada persamaan diferensialnya tidak ada variabel t ? Misalnya pada kasus pengisian muatan pada kapasitor berikut ini.8292933 0.8150857 4.6408227 2. 7.2140877 0.4 0.0 2.6489406 0.4 3. Diketahui ǫ = 12 volt.5 5 4.2 1.0000906 10 2.2. DIFERENSIAL NUMERIK Tabel 7.7324000 0.6 1.8 2.1799415 0. Saat saklar .8 2 Gambar 7.1 Aplikasi: Pengisian muatan pada kapasitor Sebuah kapasitor yang tidak bermuatan dihubungkan secara seri dengan sebuah resistor dan baterry (Gambar 7. Sedangkan titik-titik merah mengacu pada hasil perhitungan metode Runge Kutta orde 4.2 0. Namun.7323401 3.6489220 1.5000000 0.1272027 2.2834095 4.0000599 8 1.5 4 3.9).8151763 0.6 0.00 µF dan R = 8. dimana lingkaran-lingkaran kecil warna biru pada kurva menunjukkan posisi pasangan absis t dan ordinat y(t) yang dihitung oleh Persamaan (7.5 0.

4: Rangkaian RC t. 150 × 10−5 = 0. Padahal persamaan-persamaan turunan pada contoh sebelumnya mengandung variabel t. kita coba selesaikan. 1((1.16) Anda bisa lihat semua suku di ruas kanan persamaan (7. walaupun t1 tidak dilibatkan dalam perhitungan ini k1 = hf (q0 ) = h(m1 − q0 m2 ) = 0.15) tidak bisa diselesaikan dengan metode Runge-Kutta? Belum tentu. 0. maka a = 0. 5 × 10−5 R 1 = 0. Lalu jika ditetapkan h = 0. 0)(0. Sekarang. 1 dan kita bisa mulai menghitung k1 dengan menggunakan q0 = 0. 5 × 10−5 ) − (0. dan pada saat itu (secara fisis) diketahui q0 = 0. 1 maka t1 = 0. muatan belum ada (q=0).7. 0.15) tidak mengandung variabel Gambar 7. METODE RUNGE KUTTA dihubungkan (t=0). dq ǫ q = − dt R RC Solusi exact persamaan (7. pertama kita nyatakan m1 = m2 = ǫ = 1. 25)) .15) adalah qexact = q(t) = Cǫ 1 − e−t/RC 111 (7. 25 RC sehingga persamaan (7.15) dimodifikasi menjadi dq = f (qi ) = m1 − qi m2 dt ti = a + ih Jika t0 = 0.15) (7. Apakah persamaan (7.2.

1((1. 14815 × 10−5 kemudian k4 k4 = hf (q0 + k3 ) = h[(m1 − (q0 + k3 )m2 )] = 0. 5 × 10−5 − ((0. 25)) = 0. 14630 × 10−5 . 5 × 10−5 − ((0. 25)] 2 = h[(m1 − (q0 + = 0. Tentu saja pada saat t2 . 14814 × 10−5 )(0. 0) + = 0. 0) + = 0. 14630) × 10−5 6 = 0. 1[(1. 2. 14813) + 2(0. 14815 × 10−5 )(0. 14813 × 10−5 dilanjutkan dengan k3 k3 = hf (q0 + k2 ) 2 k2 )m2 )] 2 0. 25)] 2 = 0.112 lalu menghitung k2 k2 = hf (q0 + k1 ) 2 k1 )m2 )] 2 BAB 7. t2 tidak terlibat dalam perhitungan ini. 14814 × 10−5 Selanjutnya q2 dihitung. 0) + 0. dimana t2 = 0. 5 × 10−5 ) − (0. DIFERENSIAL NUMERIK = h[(m1 − (q0 + = 0. 5 × 10−5 − ((0. 14813 × 10−5 )(0. 15 × 10−5 )(0. 1[(1. Dimulai menghitung k1 kembali k1 = hf (q1 ) = h(m1 − q1 m2 ) = 0. 25)] akhirnya diperoleh q1 q1 = q0 + 1 (k1 + 2k2 + 2k3 + k4 ) 6 1 = 0. 14630 × 10−5 0. namun sekali lagi. 14815) + 0. 1[(1. 0 + (0. 150 + 2(0.

14449) + 0. 25)] akhirnya diperoleh q2 q2 = q1 + 1 (k1 + 2k2 + 2k3 + k4 ) 6 1 = 0. 5 × 10−5 − ((0. % waktu awal . % interval waktu N=(b-a)/h. 25)] 2 113 = h[(m1 − (q1 + = 0. 1[(1.0. 14268 × 10−5 0. 14814 × 10−5 ) + = 0. 14814 × 10−5 ) + 0. q3 .7. 14449 × 10−5 )(0. 14268) × 10−5 6 = 0. 14630 × 10−5 )(0. q5 dan seterusnya dapat dihitung. % nilai step-size q0=0. 29262 × 10−5 Dengan cara yang sama. 14447 × 10−5 )(0. 14814 × 10−5 ) + = 0. % muatan mula-mula t0=0. % batas akhir interval a=0. METODE RUNGE KUTTA lalu menghitung k2 k2 = hf (q1 + k1 ) 2 k1 )m2 )] 2 0. 14814 × 10−5 + (0. q4 .2. 1[(1. Berikut ini adalah script dalam matlab yang dipakai untuk menghitung q 1 2 3 4 5 6 7 8 9 10 11 12 clear all clc format long b=1. 14449 × 10−5 kemudian k4 k4 = hf (q1 + k3 ) = h[(m1 − (q1 + k3 )m2 )] = 0. 14447) + 2(0. 1[(1. 5 × 10−5 − ((0. 25)] 2 = 0.0. % batas awal interval h=0.1. 14630 + 2(0. 5 × 10−5 − ((0. 14447 × 10−5 dilanjutkan dengan k3 k3 = hf (q1 + k2 ) 2 k2 )m2 )] 2 = h[(m1 − (q1 + = 0.

q(1)=q0+1/6*(k1+2*k2+2*k3+k4).5 0.14814×10 0.3 0.1 0.6 0.00000 6 0. yaitu persamaan (7.2 0.9 1.83575×10−5 7 0. Tabel 7. end % solusinya: k1=h*futur(q0).00000×10 0. k1=h*futur(q(k)).16) i ti qi qexact = q(ti ) |qi − qexact | −5 0 0.96326×10−5 0.00000 −5 −5 1 0. % hambatan (ohm) C=5e-6. hasil ini sangat memuaskan. DIFERENSIAL NUMERIK % perubahan t sesuai step-size h adalah: for i=1:N t(i)=a+(i*h). k3=h*futur(q0+k2/2).57098×10 0.00000 −5 −5 4 0.00000 −5 −5 9 0. y=m1-(m2*q).43354×10−5 0. Mungkin.00000 8 0.00000 Luar biasa!! Tak ada error sama sekali.57098×10 0. q(i)=q(k)+1/6*(k1+2*k2+2*k3+k4). error nya akan terlihat. for i=2:N k=i-1. kalau kita buat 7 angka dibelakang koma.96326×10−5 0. k4=h*futur(q0+k3).0 0.43354×10−5 0. Gambar 7.70502×10−5 0.29262×10−5 0.3272×10−5 0.2089×10 1.5 memperlihatkan kurva penumpukan muatan q terhadap waktu t – dengan batas atas interval waktu dinaikkan hingga 20 –. % tegangan (volt) R=800000.0876×10−5 0.4 0.70502×10−5 0.00000×10−5 0.00000 0. k4=h*futur(q(k)+k3). % kapasitansi (farad) m1=E/R. end q Adapun script fungsi turunannya (futur.0876×10−5 1. Tapi kalau anda cukup puas dengan 5 angka dibelakang koma.00000 2 0.7 0.0 1.14814×10 0.2089×10 0.3272×10−5 1.114 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 BAB 7. k3=h*futur(q(k)+k2/2).00000 5 0. m2=1/(R*C).83575×10−5 0.3: Perbandingan antara hasil perhitungan numerik lewat metode Runge Kutta dan hasil perhitungan dari solusi exact. .m) adalah sebagai berikut: 1 2 3 4 5 6 7 function y=futur(q) E=12.00000 10 1.00000 3 0. k2=h*futur(q(k)+k1/2). k2=h*futur(q0+k1/2).29262×10−5 0.8 1.

5: Kurva pengisian muatan q (charging) terhadap waktu t Sampai disini mudah-mudahan jelas dan bisa dimengerti. Silakan anda coba untuk kasus yang lain. Saya akhiri dulu uraian saya sampai disini.18) a ≤ x ≤ b.7. dx2 dx atau juga dapat dituliskan dalam bentuk lain y ′′ = p(x)y ′ + q(x)y + r(x) (7. b] dengan (N + 1). atau bisa juga anda berlatih dengan rangkaian RL dan RLC. Caranya adalah pertama. 7. hasilnya dinamakan h (lihat Gambar 7. kita memilih angka integer sembarang yaitu N dimana N > 0 dan membagi interval [a. misalnya proses pembuangan (discharging ) q pada rangkaian yang sama. y(b) = β (7.6) h= b−a N +1 (7.17) Persamaan tersebut dapat diselesaikan dengan melakukan pendekatan numerik terhadap y ′′ dan y ′ .3 Metode Finite Difference Suatu persamaan diferensial dapat dinyatakan sebagai berikut: dy d2 y (x) = p(x) (x) + q(x)y(x) + r(x). METODE FINITE DIFFERENCE x 10 −5 115 6 4 2 0 0 2 4 6 8 10 12 14 16 18 20 Gambar 7.3. y(a) = α.19) .

N + 1 (7.. i = 0.. y ′ (xi ) dapat dicari sebagai berikut y ′ (xi ) = y(xi+1 ) − y(xi−1 ) 2h (7. 1.21) (7..20) Pencarian solusi persamaan diferensial melalui pendekatan numerik dilakukan dengan memanfaatkan polinomial Taylor untuk mengevaluasi y ′′ dan y ′ pada xi+1 dan xi−1 seperti berikut ini y(xi+1 ) = y(xi + h) = y(xi ) + hy ′ (xi ) + dan y(xi−1 ) = y(xi − h) = y(xi ) − hy ′ (xi ) + Jika kedua persamaan ini dijumlahkan y(xi+1 ) + y(xi−1 ) = 2y(xi ) + h2 y ′′ (xi ) Dari sini y ′′ dapat ditentukan h2 y ′′ (xi ) = y(xi+1 ) − 2y(xi ) + y(xi−1 ) y ′′ (xi ) = y(xi+1 ) − 2y(xi ) + y(xi−1 ) h2 (7. DIFERENSIAL NUMERIK Gambar 7.116 BAB 7.24) . . Evaluasi kurva yang dilakukan Finite-Difference dimulai dari batas bawah X0 = a hingga batas atas x6 = b Dengan demikian maka titik-titik x yang merupakan sub-interval antara a dan b dapat dinyatakan sebagai xi = a + ih.6: Kurva suatu fungsi f (x) yang dibagi sama besar berjarak h.23) h2 ′′ y (xi ) 2 h2 ′′ y (xi ) 2 (7.22) Dengan cara yang sama.

METODE FINITE DIFFERENCE Selanjutnya persamaan (7. ... .... . 0 .. . 0 −1 + h p(x2 ) 2 2 + h2 q(x3 ) −1 − h p(x4 ) 2 .sampai N.. 0 (7.17).. .... Sampai disini kita mendapatkan sistem persamaan linear yang selanjutnya dapat dinyatakan sebagai bentuk operasi matrik Aw = b dimana A adalah matrik tridiagonal dengan orde N × N 2 + h2 q(x1 ) −1 − h p(x2 ) 2  0   0   .....24) disubstitusikan ke persamaan (7.. 0 −1 + h p(x3 ) 2 2 + h2 q(x4 ) .... 2 + h2 q(xN −1 ) −1 − h p(xN ) 2 0 0   0   0   .18) maka y(xi+1 ) − y(xi−1 ) y(xi+1 ) − 2y(xi ) + y(xi−1 ) = p(xi ) + q(xi )y(xi ) + r(xi ) 2 h 2h −y(xi+1 ) + 2y(xi ) − y(xi−1 ) y(xi+1 ) − y(xi−1 ) = −p(xi ) − q(xi )y(xi ) − r(xi ) h2 2h −y(xi+1 ) + 2y(xi ) − y(xi−1 ) y(xi+1 ) − y(xi−1 ) + p(xi ) + q(xi )y(xi ) = −r(xi ) 2 h 2h 117 Sebelum dilanjut. Maka persamaan di atas dapat ditulis sebagai berikut −wi+1 + 2wi − wi−1 h2 (−wi+1 + 2wi − wi−1 ) + + p(xi ) wi+1 − wi−1 2h + q(xi )wi = −r(xi ) = −h2 r(xi ) = −h2 r(xi ) = −h2 r(xi ) = −h2 r(xi ) (7.. w3 . .. keduanya dikenal sebagai syarat batas atau istilah asingnya adalah boundary value. saya nyatakan bahwa y(xi+1 )=wi+1 dan y(xi )=wi serta y(xi−1 )=wi−1 ... Sementara.2..23) dan (7.. ..  ... wN . karena yang ingin kita cari adalah w1 .3... jelas-jelas sudah diketahui bahwa w0 =α dan wN +1 =β... .3.. . 0 −1 + h p(x4 ) 2 ...  −1 + h p(xN −1 ) 2 2 + h2 q(xN )  .. Pada persamaan (7. .....25) h p(xi ) (wi+1 − wi−1 ) + h2 q(xi )wi 2 h h −wi+1 + 2wi − wi−1 + p(xi )wi+1 − p(xi )wi−1 + h2 q(xi )wi 2 2 h h −wi−1 − p(xi )wi−1 + 2wi + h2 q(xi )wi − wi+1 + p(xi )wi+1 2 2 h h 2 − 1 + p(xi ) wi−1 + 2 + h q(xi ) wi − (1 − p(xi ) wi+1 2 2 dimana i=1.26)  A = −1 + h p(x1 ) 2 2 + h2 q(x2 ) −1 − h p(x3 ) 2 0 .... Topik yang sedang bahas ini juga sering disebut sebagai Masalah Syarat Batas atau Boundary Value Problem.. ... w2 ..7. −1 − h p(xN −1 ) 2 .. satu hal yang tak boleh dilupakan yaitu w0 dan wN +1 biasanya selalu sudah diketahui. .

1)=-h^2*fungsiR(xn)+(1-((h/2)*fungsiP(xn)))*beta. end xn=a+n*h b(n.0. A(i. end A %====== Mencari Elemen Vektor b ======== x=a+h.   w  N −1  wN 7.i)=2+h^2*fungsiQ(x). %ganti angkanya sesuai data yang anda miliki b=2. end for i=1:n-1 x=a+i*h. for i=2:8 x=a+i*h. b .0.3.   . A(i. %ganti angkanya sesuai data yang anda miliki beta=2. end for i=2:n x=a+i*h.i+1)=-1+((h/2)*fungsiP(x)).1)=-h^2*fungsiR(x). %ganti angkanya sesuai data yang anda miliki h=(b-a)/(n+1). DIFERENSIAL NUMERIK    w2     w   3    w =  w4     .118 BAB 7. %ganti angkanya sesuai data yang anda miliki %====== Mencari Elemen Matrik A ======== for i=1:n x=a+i*h.1 Script Finite-Difference  w1      −h2 r(x2 )     −h2 r(x3 )     2 r(x )  −h b= 4     .   . b(i. alpha=1.1)=-h^2*fungsiR(x)+(1+((h/2)*fungsiP(x)))*alpha.     −h2 r(xN −1 )   2 r(x ) + 1 − h p(x ) w −h N N +1 N 2  −h2 r(x1 ) + 1 + h p(x1 ) w0 2  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 clear all clc a=1. b(1.i-1)=-1-((h/2)*fungsiP(x)).   . A(i. %ganti angkanya sesuai data yang anda miliki n=9. .

y(1) = 1. 1392070132. Untuk memecahkan persoalan ini. y ′′ = − y ′ + 2 y + x x x2 memiliki solusi exact y = c1 x + dimana c2 = dan c1 = 1 ≤ x ≤ 2. sehingga spasi h diperoleh h= 2−1 b−a = = 0. 10 Dengan metode Finite-Difference. Contoh Diketahui persamaan diferensial seperti berikut ini 2 sin(ln x) 2 .m: 1 2 function y = fungsiQ(x) y = 2/x^2.m: 1 2 function y = fungsiP(x) y = -2/x. y(2) = 2 c2 3 1 − sin(ln x) − cos(ln x). Sehingga vektor w dapat dihitung dengan berbagai metode pemecahan sistem persamaan linear. 2 x 10 10 1 [8 − 12 sin(ln 2) − 4 cos(ln 2)] ≈ −0.3.m:: . 1 N +1 9+1 Dari persamaan diferensial tersebut juga didapat p(xi ) = − q(xi ) = r(xi ) = 2 xi 2 x2 i sin(ln xi ) x2 i Script matlab telah dibuat untuk menyelesaikan contoh soal ini.7. script fungsiQ dan script fungsiR. elemen-elemen matrik A dan vektor b sudah diketahui. solusi pendekatan dapat diperoleh dengan membagi interval 1 ≤ x ≤ 2 menjadi sub-interval. misalnya kita gunakan N = 9. Iterasi Jacobi dan Iterasi Gauss-Seidel. terdiri dari script utama. METODE FINITE DIFFERENCE 119 Pada akhirnya. script fungsiP. lalu inilah script fungsiQ yang disimpan dengan nama file fungsiQ. seperti Eliminasi Gauss. saya membuat 4 buah script. Berikut ini adalah script fungsiP yang disimpan dengan nama file fungsiP. Gauss-Jourdan. 03920701320 70 11 − c2 ≈ 1. kemudian ini script fungsiR yang disimpan dengan nama file fungsiR.

%=======jika diketahui n. maka h dihitung ==== n=9. %=======jika diketahui h. b=2. end A %====== Mencari Elemen Vektor b ======== x=a+h.i-1)=-1-((h/2)*fungsiP(x)). end for i=2:n x=a+i*h. beta=2.i+1)=-1+((h/2)*fungsiP(x)).0. b . b(1.1)=-h^2*fungsiR(xn)+(1-((h/2)*fungsiP(xn)))*beta. dan terakhir. A(i. %n=((b-a)/h)-1. alpha=1. inilah script utamanya: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 clear all clc a=1. h=(b-a)/(n+1). maka n dihitung ==== %h=0. end for i=1:n-1 x=a+i*h. DIFERENSIAL NUMERIK 1 2 function y = fungsiR(x) y = sin(log(x))/x^2. for i=2:8 x=a+i*h. A(i. end xn=a+n*h b(n. %====== Mencari Elemen Matrik A ======== for i=1:n x=a+i*h.0.1)=-h^2*fungsiR(x).120 BAB 7. b(i.i)=2+h^2*fungsiQ(x).1. A(i.1)=-h^2*fungsiR(x)+(1+((h/2)*fungsiP(x)))*alpha.

dilengkapi dengan selisih antara keduanya . for k=1:(n+1) A(i.i). for j=n:-1:i+1 S=S+A(i. A(j.1)=(A(i.1).j)*x(j.j). end x(i. for i=n-1:-1:1 S=0.p)=v. for i=jj:n m=A(i.1).3.n).k)=A(i. end end end %------------------------------------------%------Proses Substitusi mundur------------x(n.n+1)=b(i.j)==0) for p=1:n+1 u=A(j. METODE FINITE DIFFERENCE 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 121 %====== Menggabungkan Vektor b kedalam matrik A ======== for i=1:n A(i.p).7. end A %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j. end end %----akhir proses pivot--jj=j+1.j)/A(j.n+1)/A(n.n+1)-S)/A(i.k)-(m*A(j. A(j+1.k)).p).p)=u.1)=A(n. v=A(j+1. end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& %===== Menampilkan Vektor w ================= w=x Tabel berikut ini memperlihatkan hasil perhitungan dengan pendekatan metode Finite-Difference wi dan hasil perhitungan dari solusi exact y(xi ).

17 × 10−5 4. exact dengan solusi pendekatan sebesar 6.1 1.09260052 1. Ini benar-benar improvisasi yang luar .68 × 10−5 8. Untuk menghindari hal-hal yang rumit itu. x x x2 1 ≤ x ≤ 2. 05) 3 4wi (h = 0. Akan tetapi proses kalkulasi menjadi semakin banyak dan disisi lain penentuan syarat batas lebih kompleks dibandingkan dengan pemanfaatan polinomial Taylor yang sekarang. yaitu ekstrapolasi yang pertama Ext1i = kemudian ekstrapolasi yang kedua Ext2i = 4wi (h = 0.48112026 1.89392951 2.18708484 1.9 2. Contoh Pemanfaatan ekstrapolasi Richardson pada metode Finite Difference untuk persamaan diferensial seperti berikut ini 2 2 sin(ln x) y ′′ = − y ′ + 2 y + .0 wi 1.2 1.28333687 1.5 1.28338236 1.48115942 1.39 × 10−5 3. y(2) = 2.38140205 1.78888175 1.68501396 1. 025.4 1.68498902 1. h = 0. 025) − wi (h = 0. Jika seluruh angka di belakang koma diikut-sertakan. kita bisa menggunakan polinomial Taylor berorde tinggi.6 1.3 1.00000000 1.49 × 10−5 1. DIFERENSIAL NUMERIK |wi − y(xi )|.0 1.58239246 1. 1) 3 dan terakhir ekstrapolasi yang ketiga Ext3i = 16Ext2i − Ext1i 15 Tabel berikut ini memperlihatkan hasil perhitungan tahapan-tahapan ekstrapolasi tersebut.00000000 1.18704313 1. Ekstrapolasi Richardson terdiri atas 3 tahapan. 05.41 × 10−6 tuk memperkecil orde kesalahan. y(1) = 1. dengan h = 0. salah satu jalan pintas yang cukup efektif adalah dengan menerapkan ekstrapolasi Richardson. 05) − wi (h = 0.58235990 1. Unxi 1.78889853 1.89392110 2.00000000 y(xi ) 1. Tabel ini memperlihatkan tingkat kesalahan (error) berada pada orde 10−5 .55 × 10−5 4. 1. 3 × 10−11 .26 × 10−5 2.00000000 |wi − y(xi )| 2. h = 0.92 × 10−5 3.7 1.09262930 1.88 × 10−5 4.122 BAB 7.38144595 1. maka akan terlihat selisih antara solusi biasa.8 1.

48115696 1.28338236 1.89392951 2.18708484 1.38144598 1. 1 2 Dengan metode Finite-Difference.18708484 1.1 1.6 1.48115941 1.78888175 1.68501393 1.00000000 7. tentukanlah besar masing-masing simpangan di setiap interval h = π/8.78889748 1.8 1.00000000 wi (h = 0.18707436 1.28337950 1. y(b) = β Dengan membandingkan kedua persamaan di atas. 2 dx dx a ≤ x ≤ b.58239246 1.68500770 1.18708477 1.00000000 1.89392110 2. 3 β = −0.48114959 1. π y( ) = −0.78889852 1.89392951 2.3.2 1.3 1.68501396 1.48112026 1.58239042 1.3.00000000 1.68501396 1.09262930 1.78889432 1.00000000 1.18704313 1. 3.00000000 1.28338230 1.68501240 1.48115937 1. kita bisa definisikan p(t) = 1 q(t) = 2 r(t) = cos(t) a=0 b= π 2 α = −0.58235990 1.89392950 2.28333687 1.00000000 1.00000000 1.38140205 1. 2 y(0) = −0.7. 025) 1.78889853 1.89392898 2.28338236 1.09262749 1.7 1.38144595 1.5 1.4 1.09260052 1.58239246 1.09262930 1.00000000 123 Ext3i 1.00000000 Ext1i 1. dt2 dt 0≤t≤ π . persamaan diferensial dapat dinyatakan sbb: dy d2 y (x) = p(x) (x) + q(x)y(x) + r(x).2 Aplikasi Besar simpangan terhadap waktu (y(t)) suatu sistem osilator mekanik yang padanya diberikan gaya secara periodik (forced-oscilations) memenuhi persamaan diferensial seperti dibawah ini berikut syarat-syarat batasnya dy d2 y = + 2y + cos(t).89392740 2. jawab: Secara umum.09262925 1.0 wi (h = 0.38144595 1.09262207 1. Buatlah table untuk membandingkan hasil finite-difference dengan solusi analitik 1 yang memenuhi y(t) = − 10 [sin(t) + 3cos(t)].9 2.38143493 1. 05) 1.0 1.00000000 Ext2i 1.58239242 1.38144319 1.28337094 1. 1 Adapun persamaan finite-difference adalah − 1+ h h p(xi ) wi−1 + 2 + h2 q(xi ) wi − (1 − p(xi ) wi+1 = −h2 r(xi ) 2 2 Persamaan diatas dikonversi kedalam operasi matriks Aw = b (7.00000000 wi (h = 0. y(a) = α.68498902 1. 1) 1.48115942 1.18708222 1.27) . METODE FINITE DIFFERENCE xi 1.78889853 1.58238429 1.

2 + h2 q(xN −1 ) −1 − h p(xN ) 2 0 0   0   0   . .   .2829 w3 = −0. PDP dapat dibagi menjadi 3 jenis.. ..   .. y) = f (x.. .. 8037 0  w1   −0.. 5014        −1. penulisan ’persamaan diferensial parsial’ akan dipersingkat menjadi PDP....... .. sehingga n harus dihitung terlebih dahulu: h= b−a n+1 n= π −0 b−a −1= 2 −1=3 h π/8    w2     w   3    w =  w4     .. .   w  N −1  wN  w1      −h2 r(x2 )     −h2 r(x3 )     2 r(x )   −h b= 4    .. .... . 1963 2... 1090  0 −1.     −h2 r(xN −1 )   2 r(x ) + 1 − h p(x ) w −h N N +1 N 2  −h2 r(x1 ) + 1 + h p(x1 ) w0 2  perhitungan ini dilakukan didalam script matlab. 1394 Proses diteruskan dengan metode Eliminasi Gauss dan didapat hasil akhir berikut ini w1 = −0.4 Persamaan Diferensial Parsial Dalam sub-bab ini. 0 −1 + h p(x4 ) 2 ... 3084 w3 −0. 1963 2. yaitu persamaan diferensial eliptik.. Namun disoal hanya tersedia informasi nilai h = π/8.... 8037   w2  =  −0.  ... −1 − h p(xN −1 ) 2 . Selanjutnya seluruh elemen matrik A dan vektor b dihitung dengan matlab  2. ...124 dimana A adalah matrik tridiagonal dengan orde N × N 2 + h2 q(x1 ) −1 − h p(x2 ) 2  0   0   .. 0 BAB 7. 0 −1 + h p(x2 ) 2 2 + h2 q(x3 ) −1 − h p(x4 ) 2 . 0 −1 + h p(x3 ) 2 2 + h2 q(x4 ) .28) . .. 3084 −0.. .2070 7. . PDP eliptik dinyatakan sebagai berikut ∂2u ∂2u (x.... 3084 −0.. y) + 2 (x.... 0 .  −1 + h p(xN −1 ) 2 2 q(x ) 2+h N  Jumlah baris matrik ditentukan oleh bilangan n. y) ∂x2 ∂y (7. DIFERENSIAL NUMERIK  A = −1 + h p(x1 ) 2 2 + h2 q(x2 ) −1 − h p(x3 ) 2 0 .3157 w2 = −0. .   . parabolik dan hiperbolik. ...

mari kita bahas lebih dalam satu-persatu. . Contoh masalah PDP eliptik di bidang fisika adalah distribusi panas pada kondisi steady-state pada obyek 2-dimensi dan 3-dimensi. 7. y)=0. Jenis PDP kedua adalah PDP parabolik yang dinyatakan sebagai berikut ∂2u ∂u (x. y)|a < x < b. t) = 0 ∂t ∂x (7.7). . . t) = 2 (x. variasi titik-titik x berada di antara a dan b.30) Fenomena fisis yang bisa dijelaskan oleh persamaan ini adalah masalah aliran panas pada suatu obyek dalam fungsi waktu t. 2. y) ∂x2 ∂y (7.33) dimana a adalah titik awal pada sumbu horisontal x.29) yang biasa disebut sebagai Persamaan Laplace. y) + 2 (x. n (7. PDP ketiga adalah PDP hiperbolik yang dinyatakan sebagai berikut α2 ∂2u ∂2u (x. t) − α2 2 (x. maka titik-titik variasi di antara c dan d dapat diketahui melalui rumus ini yj = c + jk. Sementara titik-titik perpotongan antara garis-garis horisontal dan vertikal dinamakan . . .28) dikenal sebagai Persamaan Poisson. y = yi dan garis-garis yang sejajar sumbu vertikal. . Perhatikan Gambar 7. Jika f (x. maka diperoleh persamaan yang lebih sederhana ∂2u ∂2u (x. dibatasi mulai dari c sampai d (lihat Gambar 7.5. Maksudnya. Demikian pula pada sumbu y. Terakhir. garis-garis yang sejajar sumbu horisontal. y) = 0 ∂x2 ∂y (7. PDP ELIPTIK 125 Di bidang fisika. y) + 2 (x. t) 2x ∂ ∂t (7.7.34) dimana c adalah titik awal pada sumbu vertikal y. maka titik-titik variasi di antara a dan b dapat diketahui melalui rumus ini xi = a + ih.31) biasa digunakan untuk menjelaskan fenomena gelombang. . 2. Demikian pula dengan variasi titik-titik y. c < y < d]. Sekarang.7. difokuskan pada bagaimana cara menyatakan semua PDP di atas dalam formulasi Finite-Difference. x = xi disebut grid lines. . y) = f (x.5 PDP eliptik Kita mulai dari persamaan aslinya ∂2u ∂2u (x. dimana j = 1. dimana i = 1. Jika h adalah jarak interval antar titik yang saling bersebelahan pada titik-titik dalam rentang horizontal a dan b. persamaan (7.32) dimana R = [(x. m (7. Jika k adalah jarak interval antar titik yang bersebelahan pada titik-titik dalam rentang vertikal c dan d.

yj+1 ) − 2u(xi . yj ) + u(xi . yj ) + u(xi . yj ) − 2u(xi . yj ) = − (ξi .38) (7.35) (7.38) disubstitusi ke persamaan (7. yj ) − 2u(xi . yj ) = 2 ∂y k2 (7.. yj ) u(xi . DIFERENSIAL NUMERIK mesh points d ym . dikarenakan adanya truncation error tersebut. Mari kita lanjutkan! Sekarang persamaan (7. yj ) + u(xi−1 . sehingga cukup dinyatakan Pengabaian suku terakhir otomatis menimbulkan error yang dinamakan truncation error.32).37) dan (7.. yj ) = − (xi . hasilnya adalah u(xi+1 . yj ) − 2u(xi . ketika suatu persamaan diferensial diolah secara numerik dengan metode Finite-Difference. yj+1 ) − 2u(xi .. Jadi. Akan tetapi.126 BAB 7. yj ) + u(xi−1 .. nilai error tersebut dapat ditolerir hingga batas-batas tertentu yang uraiannya akan dikupas pada bagian akhir bab ini. yj ) + u(xi−1 .7: Skema grid lines dan mesh points pada aplikasi metode Finite-Difference mesh points. yj ) + u(xi . xn b Gambar 7.36) Metode Finite-Difference biasanya mengabaikan suku yang terakhir. yj ) ∂x2 h2 12 ∂x4 u(xi . yj−1 ) + = f (xi .37) (7. maka solusinya pasti meleset alias keliru "sedikit". yj ) ∂2u (xi . yj+1 ) − 2u(xi . yj−1 ) k 2 ∂ 4 u ∂2u (xi .. Turunan kedua sebagaimana yang ada pada persamaan (7. yj ) (7.39) h2 k2 . y2 k grid lines y1 c a x1 h x2 . Ok..32) dapat dinyatakan dalam rumus centered-difference sebagai berikut u(xi+1 . yj ) h2 ∂ 4 u ∂2u (xi . yj−1 ) ∂2u (xi . yj ) = ∂x2 h2 u(xi .. ηj ) ∂y 2 k2 12 ∂y 4 sebagai u(xi+1 .

y) + 2 (x. yj ) = h2 f (xi . 5 = 0.j−1 ) k k h2 h2 2[1 + 2 ]wi. y) = 0. yj ) = −h2 f (xi .j + 2 wi.j−1 k k k h2 h2 −2[1 + 2 ]wi. y0 ) wn. . persamaan (7. ..1 Contoh pertama Misalnya kita diminta mensimulasikan distribusi panas pada lempengan logam berukuran 0.39) dinyatakan dalam notasi w. u(0. y) = 200y 0 < x < 0. maka h= 0.j ) − 2 (wi. 2. 2.j+1 − 2wi. 5 Jika n = m = 4 sedangkan ukuran lempeng logam adalah 0. Temperatur pada 2 sisi tepi lempengan logam dijaga pada 0◦ C. dengan syarat batas sebagai berikut w0.j = g(xn .. yj ) u(xi .j − 2wi.j + 2 wi.j+1 − 2 2 wi.j−1 ) k h2 h2 h2 wi+1.j−1 ) k k = f (xi .j = g(x0 .j + wi−1. sementara pada 2 sisi tepi lempengan logam yang lain. 5 m x 0. y0 ) = g(xi .0 = g(xi . Pada metode Finite-Difference. ym ) j = 0. 5..7. Problem ini memenuhi PDP Eliptik: ∂2u ∂2u (x.j ) + 2 (wi. 2..5.j − (wi+1. Langkah berikutnya adalah menyusun persamaan Finite-Difference. 2.40) dimana i = 1.40) adalah rumusan akhir metode Finite-Difference untuk PDP Eliptik. yj ) (7. u(x.j+1 + wi. .m = g(xi . n − 1 dan j = 1.....j + wi−1. yj ) = g(x0 . ym ) 127 Pengertian syarat batas disini adalah bagian tepi atau bagian pinggir dari susunan mesh points. n − 1. . 5 m.j + wi−1... Persamaan (7.j−1 wi+1.j + 2 (wi. PDP ELIPTIK dimana i = 1.5. 125 4 Grid lines berikut mesh points dibuat berdasarkan nilai h dan k tersebut (lihat Gambar 7.. yj ) wi. n − 1 dan j = 1.j+1 + wi. yj ) = h2 f (xi . i = 1. temperaturnya diatur meningkat secara linear dari 0◦ C hingga 100◦ C. sebagai berikut wi. 5 m.j + 2 h k2 2 h wi+1.j + wi. m − 1. 125 4 k= 0.. yj ) wi. 5 = 0. ∂x2 ∂y dengan syarat-syarat batas u(0. yj ) = h2 f (xi .5) = 200x. y) = 0. yj ) = g(xn .. 0. .. m − 1 dengan syarat batas sebagai berikut u(x0 . 1.j+1 − 2wi. 7. .5.j − 2wi. ym ) = g(xi .j + (wi+1. 5 m x 0.j − 2wi. 0 < y < 0. u(x...j + wi.j + wi−1.8). 2..j + wi−1. dimulai dari persamaan . m − 1. 0) = 0. y0 ) u(xn . yj ) u(xi ..

128
Y

BAB 7. DIFERENSIAL NUMERIK

U(x,0.5)=200x W1,4 W1,3 W1,2 W1,1 W2,4 W2,3 W2,2 W2,1 W3,4 W3,3 W3,2 W3,1

0.5 W0,3
U(0,y)=0

W4,3 W4,2 W4,1

W0,2 W0,1

W1,0

W2,0

W3,0

0.5

U(x,0)=0
Gambar 7.8: Susunan grid lines dan mesh points untuk mensimulasikan distribusi temperatur pada lempeng logam sesuai contoh satu

asalnya (persamaan 7.40) 2[1 + h2 h2 ]wi,j − (wi+1,j + wi−1,j ) − 2 (wi,j+1 + wi,j−1 ) = −h2 f (xi , yj ) k2 k

Karena h = k = 0, 125 dan f (xi , yj ) = 0, maka 4wi,j − wi+1,j − wi−1,j − wi,j−1 − wi,j+1 = 0 (7.41)

1, 2, 3. Demikian hal-nya dengan j, karena m = 4, maka variasi j = 1, 2, ..., m − 1 atau j = temperaturnya, diperoleh 4w1,3 − w2,3 − w1,2 = w0,3 + w1,4 4w2,3 − w3,3 − w2,2 − w1,3 = w2,4 4w3,3 − w3,2 − w2,3 = w4,3 + w3,4 4w1,2 − w2,2 − w1,1 − w1,3 = w0,2 4w2,2 − w3,2 − w2,1 − w1,2 − w2,3 = 0 4w3,2 − w3,1 − w2,2 − w3,3 = w4,2 4w1,1 − w2,1 − w1,2 = w0,1 + w1,0 4w2,1 − w3,1 − w1,1 − w2,2 = w2,0 4w3,1 − w2,1 − w3,2 = w3,0 + w4,1

Disisi lain, karena n = 4, maka nilai i yang bervariasi i = 1, 2, ..., n − 1 akan menjadi i =

1, 2, 3. Dengan menerapkan persamaan (7.41) pada setiap mesh point yang belum diketahui

U(0.5,y)=200y
X

7.5. PDP ELIPTIK

129

Semua notasi w yang berada diruas kanan tanda sama-dengan sudah ditentukan nilainya berdasarkan syarat batas, yaitu w1,0 = w2,0 = w3,0 = w0,1 = w0,2 = w0,3 = 0, w1,4 = w4,1 = 25, w3,4 = w4,3 = 75 Dengan memasukkan syarat batas tersebut ke dalam sistem persamaan linear, maka 4w1,3 − w2,3 − w1,2 = 25 4w2,3 − w3,3 − w2,2 − w1,3 = 50 4w3,3 − w3,2 − w2,3 = 150 4w1,2 − w2,2 − w1,1 − w1,3 = 0 4w2,2 − w3,2 − w2,1 − w1,2 − w2,3 = 0 4w3,2 − w3,1 − w2,2 − w3,3 = 50 4w1,1 − w2,1 − w1,2 = 0 4w2,1 − w3,1 − w1,1 − w2,2 = 0 4w3,1 − w2,1 − w3,2 = 25 Kemudian dijadikan operasi perkalian matrik                   4 −1 −1 4 0 −1 −1 0 0 −1 0 0 0 0 0 0 0  w1,3   25  w2,4 = w4,2 = 50, dan

 0   0 −1 4 0 0 −1 0 0 0    −1 0 0 4 −1 0 −1 0 0   0 −1 0 −1 4 −1 0 −1 0     0 0 −1 0 −1 4 0 0 −1    0 0 0 −1 0 0 4 −1 0     0 0 0 0 −1 0 −1 4 −1   0 0 0 0 0 −1 0 −1 4

  w2,3     w3,3       w1,2     w2,2  =      w3,2     w1,1       w2,1   w3,1

 50   150    0   0    50   0    0  25

Mari kita perhatikan sejenak susunan elemen-elemen angka pada matrik berukuran 9x9 di atas. Terlihat jelas pada elemen diagonal selalu berisi angka 4. Ini sama sekali bukan ketidaksengajaan. Melainkan susunan itu sengaja direkayasa sedemikian rupa sehingga elemen-elemen tridiagonal terisi penuh oleh angka bukan 0 dan pada diagonal utamanya diletakkan angka yang terbesar. Metode Eliminasi Gauss dan Iterasi Gauss-Seidel telah diaplikasikan untuk menyelesaikan persamaan matrik di atas.

130 7.5.2 Script Matlab untuk PDP Elliptik

BAB 7. DIFERENSIAL NUMERIK

Inilah script Matlab yang dipakai untuk menghitung nila-nilai w menggunakan metode Eliminasi Gauss.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53

clear clc n=9; A=[ 4 -1 0 -1 0 0 0 0 0

all

-1 0 -1 0 0 0 0 0; 4 -1 0 -1 0 0 0 0; -1 4 0 0 -1 0 0 0; 0 0 4 -1 0 -1 0 0; -1 0 -1 4 -1 0 -1 0; 0 -1 0 -1 4 0 0 -1; 0 0 -1 0 0 4 -1 0; 0 0 0 -1 0 -1 4 -1; 0 0 0 0 -1 0 -1 4];

b=[25; 50; 150; 0; 0; 50; 0; 0; 25]; %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& %====== Menggabungkan Vektor b kedalam matrik A ======== %====== sehingga terbentuk matrik Augmentasi. ======== for i=1:n A(i,n+1)=b(i,1); end %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j,j)==0) for p=1:n+1 u=A(j,p); v=A(j+1,p); A(j+1,p)=u; A(j,p)=v; end end %----akhir proses pivot--jj=j+1; for i=jj:n m=A(i,j)/A(j,j); for k=1:(n+1) A(i,k)=A(i,k)-(m*A(j,k)); end end end %------------------------------------------%------Proses Substitusi mundur------------x(n,1)=A(n,n+1)/A(n,n); for i=n-1:-1:1 S=0; for j=n:-1:i+1 S=S+A(i,j)*x(j,1); end

5. end xb(1.n). 50. 0. 0.1))/A(1. 0 0 0 0 0 -1 0 -1 4]. 0. for j=i+1:n smtr2=smtr2-A(i.i). end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& %===== Menampilkan Vektor w ================= w=x Sementara berikut ini adalah script Matlab untuk menghitung nila-nilai w menggunakan metode Iterasi Gauss-Seidel. %----stopping criteria----------sc=0.1)=(A(i. 0. A=[ 4 -1 0 -1 0 0 0 0 0. 0. 0. 0 0 0 0 -1 0 -1 4 -1. 0.k)*xb(k.1).1)=(-smtr1+b(1. 0 -1 0 -1 4 -1 0 -1 0. %---------------------------------------------for i=2:n-1 smtr2=0.j)*xl(j.1). end smtr3=0. xb=xl. 0.1). -1 4 -1 0 -1 0 0 0 0.1)=(smtr3+smtr2+b(i.7. 25]. for j=2:n smtr1=smtr1+A(1.1)=(smtr4+b(n. 0 0 -1 0 -1 4 0 0 -1. 0]. %&&&&&&& ITERASI GAUSS-SEIDEL &&&&&&&&&&&&&&&&&& itermax=100. 0 -1 4 0 0 -1 0 0 0. 0.1))/A(i. for k=1:i-1 smtr3=smtr3-A(i.n+1)-S)/A(i. 0 0 0 -1 0 0 4 -1 0. . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 clear all clc n=9. -1 0 0 4 -1 0 -1 0 0. end xb(n.k)*xb(k.1))/A(n.001. b=[25. end xb(i. 0.j)*xl(j. for k=1:n-1 smtr4=smtr4-A(n. 0. 50. %----memulai iterasi------------for iterasi=1:itermax smtr1=0.i).1). %iterasi maksimum %----nilai awal----------xl=[0.1). PDP ELIPTIK 54 55 56 57 58 59 131 x(i. 150. end %---------------------------------------------smtr4=0.

1)-xl(i. disarankan memilih metode iterasi seperti iterasi Gauss-Seidel. DIFERENSIAL NUMERIK %------perhitungan norm2 ------------s=0.9997 37. end epsilon=sqrt(s). Hasil EG dan GS memang berbeda.1))^2.4997 24. atau menggunakan metode SOR yang terbukti lebih efisien dibanding Gauss-Seidel. metode Court Factorization adalah pilihan yg paling tepat karena metode ini sangat efisien sehingga bisa menghemat memori komputer. direct method seperti eliminasi Gauss. Jika matrik A bersifat positive definite.7497 37.3 w1.7499 Inilah solusi yang ditawarkan oleh Finite-Difference. Dalam kondisi riil.1 EG 18.3 Contoh kedua Diketahui persamaan poisson sebagai berikut ∂2u ∂2u (x. lebih stabil dibandingkan metode iterasi. Tapi jika orde-nya lebih dari 100.7500 37.2 w1. Namun perlu saya tegaskan disini bahwa jika sistem persamaan linear yang diperoleh dari Finite Difference berorde 100 atau kurang dari itu.5.4998 18. maka lebih baik memilih metode Eliminasi Gauss sebagai langkah penyelesaian akhir.2500 12.5000 6.2498 12.7500 18.132 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 BAB 7.1 w3. Alasannya karena.3 w3. %------------------------------------xl=xb. %------memeriksa stopping criteria-------if epsilon<sc w=xb break end %----------------------------------------end Tabel berikut memperlihatkan hasil pemrosesan dengan metode Eliminasi Gauss (disingkat: EG) dan iterasi Gauss-Seidel (disingkat: GS) w1.0000 37.2498 12. for i=1:n s=s+(xb(i.3 GS w2.5000 18. 0 < y < 1.5000 25. Kalau diamati dengan teliti.4998 6.1 w2.2500 12. 7. angkaangka distribusi temperatur pada 9 buah mesh points memang logis dan masuk akal. . mungkin kondisi seperti ini hanya bisa terjadi bila lempengan logam tersebut terbuat dari bahan yang homogen. y) = xey .2 w3.5000 56. walaupun perbedaannya tidak significant.2 w2.4997 56. y) + 2 (x. ∂x2 ∂y 0 < x < 2.

1. t). dimana xi = ih. µj ) ∂t k 2 ∂t2 (7. PDP PARABOLIK dengan syarat batas u (0. tj ) = ∂t k (7. tj ) ∂u (xi .7.42) terhadap t. sementara x berdimensi jarak. Berdasarkan deret Taylor. dan tj = jk dengan j = 0. y) = 0.43) Namun. sebagaimana pendekatan finite-difference pada umumnya. forward difference. 0 ≤ y ≤ 1. turunan pertama persamaan (7. nilai h ditentukan oleh rumus h = ℓ/m. 0) = f (x). adalah u (xi .. dengan i = 0. sehingga persamaan di atas ditulis seperti ini u (xi . . 0) = x. Setiap istilah punya arti yang berbeda. 0 ≤ x ≤ ℓ... . (7. Langkah kedua adalah menentukan ukuran time-step k dimana k > 0. u (x. tj + k) − u (xi .6. 2. Langkah pertama adalah menentukan sebuah angka m > 0. tj ). 0 < x < ℓ. 7. dan u(x. tj + k) − u (xi . t) = α2 2 (x. pendekatan forward-difference selalu mengabaikan suku terakhir. centered difference dan backward difference..42) dimana t dalam dimensi waktu. tj ) = − (xi . yaitu finite difference. 1) = ex. Adapun mesh points ditentukan oleh (xi ..6. u (2.6 PDP parabolik PDP parabolik yang kita pelajari disini adalah persamaan difusi ∂2u ∂u (x. 1. t) = u(ℓ.1 Metode Forward-difference Solusi numerik diperoleh menggunakan forward-difference2 dengan langkah-langkah yang hampir mirip seperti yang telah dibahas pada PDP eliptik. y) = 2ey . yang dengannya. t > 0. 0 ≤ x ≤ 2. m. u (x. tj ) k ∂ 2 u ∂u (xi .. t > 0. dengan time step k. t) = 0. ∂t ∂x yang berlaku pada kondisi u(0. 133 Solusi numerik dihitung dengan pendekatan finite-difference gauss-seidel dimana batas toleransi kesalahan ditentukan wij − wij (l) (l−1) ≤ 10−10 7. 2 .44) Pada Bab ini ada beberapa istilah yang masing-masing menggunakan kata difference.

turunan kedua persamaan (7. tj + k) − u (xi .j ) h2 (7. tj ) = − (ξi . t) − 2 (x. t) = 0.j+1 = jika λ= maka (1 − 2λ) wi. t) = u(1.j − 2wi. tj ) − 2u (xi . DIFERENSIAL NUMERIK Sementara itu.j + wi−1. .j wi. yaitu wi. Sementara 2 (7. maka diperoleh u (xi .51) 0 < x < 1 0 ≤ t. 0 ≤ x ≤ 1. tj ) + u (xi − h. tj ) = α2 k h2 atau dapat dinyatakan dalam notasi w wi+1.j = wi.2 Contoh ketiga: One dimensional heat equation Misalnya diketahui.j+1 − wi.j+1 7. dan kondisi mula-mula u(x.46) disubstitusi kedalam persamaan (7. tj ) = 2 ∂x h2 (7.j + λwi−1. tj ) + u (xi − h.j + wi−1. tJ ) h2 ∂ 4 u ∂2u (xi .42) terhadap x berdasarkan deret Taylor adalah u (xi + h. tj ) u (xi + h.134 BAB 7.6.42). t) = e−π t sin(πx) Adapun sebaran posisi mesh-points dalam 1-D diperlihatkan pada Gambar 7.49) α2 k h2 (7. 0 < t. ∂t ∂x dengan syarat batas u(0.j + λwi+1. tJ ) − 2u (xi . distribusi panas satu dimensi (1D) sebagai fungsi waktu (t) pada sebatang logam memenuhi persamaan berikut ∂u ∂2u (x. t) = 0. tj ) − 2u (xi .44) dan (7. tj ) + u (xi − h.j + α2 k (wi+1.47) (7.j − α2 =0 k h2 Dari sini diperoleh solusi untuk wi.50) (7.48) 1− 2α2 k h2 wi.45) Kemudian persamaan (7. tj ) ∂x2 h2 12 ∂x4 Pengabaian suku terakhir menjadikan persamaan di atas ditulis kembali sebagai berikut u (xi + h. tj ) ∂2u (xi . Solusi analitik atas masalah ini adalah u(x.9.j+1 .46) (7. 0) = sin(πx).

Arah x menunjukkan posisi titik-titik yang dihitung dengan forwarddifference...9.. 1 dan k = 0.0. sumbu vertikal menunjukan perubahan dari waktu ke waktu dengan interval k = 0. 00052 . padahal bendanya tetap 1-dimensi yaitu hanya sebatang logam. Jarak antar titik ditentukan sebesar h = 0. Gambar 7. Sepintas Gambar 7.50) λ= 0. 0005. k=0.6 0. 05 2 h 0.0.9: Sebatang logam dengan posisi titik-titik simulasi (mesh-points) distribusi temperatur.4 0.7 0.0005 0 0. 0005 maka t 0. 1 α2 k = = 0. h = 0. Gambar 7..9 1 x Gambar 7.. 0005. Diantara batas-batas itu terdapat sebaran titik simulasi berjarak h = 0.0005 0 h=0. 1 dalam interval waktu k = 0.10 terlihat seolah-olah obyek yang mau disimulasikan berbentuk 2-dimensi.5 0.1 Gambar 7.10 melengkapi Gambar 7.. sedangkan arah t menunjukkan perubahan waktu yg makin meningkat λ dapat dihitung dengan persamaan (7.0015 0. Sementara.0010 0.10: Interval mesh-points dengan jarak h = 0.6. PDP PARABOLIK 135 h=0. dimana perubahan waktu tercatat setiap interval k = 0.7. Karena α = 1.11: Posisi mesh-points. 0. 1. 0005 Selanjutnya..1 0. t 0. 1.8 0.1 1 x Gambar 7.3 0.11 memperlihatkan tepi-tepi syarat batas yaitu angka 0 di ujung kiri dan angka 1 di ujung kanan pada sumbu horisontal x..2 0.

j = 0.1   w5.1   w7. 9   w2. 9w6.j+1 = w6.j 0. Persamaan matrik menjadi                   0. 9 0.j     w5. 5 0     0 0 0 0 0 0. 9 0. 5  0   0. 5   0 0 0 0 0 0 0. 5 0. 9w9. 5w9. 9w7. 5 0 0   0 0 0 0 0.j + 0. 9 0.0  w2.j+1 − 0.j 0.j 0.j + 0. 5w8.0   w1. 9 0. 5w2.0       w8. 5w7.j+1 = w7. 5w4. 5w3.51).j + 0.1    w6.j+1 (7.j 0.j+1   w3.0   w9.j   w1. 9w4. 5 0. 9 0. 9w3. 9 0.j + 0. 9 0. 9 0. 5w5.j+1  w9.0  =      w6.52) Persamaan matriks di atas dapat direpresentasikan sebagai Aw(j) = w(j+1) Proses perhitungan dimulai dari j = 0. 5 0. 5 0     0 0 0 0 0 0. 5w5. 5 0 0 0 0 0    0 0. 5w3.1  w9. 5 0 0   0 0 0 0 0. 5w10.j  w2.j + 0.j + 0. 5 0 0 0 0   0 0 0. 5 0. 5 0 0 0 0 0    0 0. 5 0. 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0  w1. 5 0 0 0 0   0 0 0.j     w7.1   w3.j+1    w4.1  (7. 9 0.0     w5.j+1 = w9.j+1 = w5.j + 0. 5 0. 5w4. 5 0.j+1  0. 5w2.53) 0.j = w2.j+1 − 0.136 BAB 7. 5w8.j 0. 9 0.j + 0. 9w2. 5w6.j+1    w8. 5  0   0.j   w9.j + 0.0     w7. 5w1. 9 0.j+1 = w8.j = w10.j + 0. 5 0. 5w6. 9 0.j+1    w6. 5   0 0 0 0 0 0 0. 5 0. 5 0.j+1 = w4.j     w3. 5 0.j+1   w7.j 0.j + 0. 5 0 0 0    0 0 0 0. 5 0.1    w8. 9w8.j 0.j + 0. 9 0.j Syarat batas menetapkan bahwa w0. 9 0.0       w4. 9w5.j+1   w5.j + 0.1    w4. 9   w2. 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0  w1. 9 0. 5w0.j       w8.j + 0. 5w7. 5 0.j  =      w6. DIFERENSIAL NUMERIK Berdasarkan persamaan (7. Lalu dinyatakan dalam bentuk operasi matrik                   0.1 . 5 0. 5 0 0 0    0 0 0 0. 9 0.j 0.j+1 = w3.j = w1.j       w4. 9w1. 5 0.j + 0.0     w3. sistem persamaan linear dapat disusun sebagai berikut 0. 5 0.j + 0.

5  0   0 0 0 0  0. 5 0   0 0. 0) diganti dengan notasi w yang selanjutnya dinyatakan sebagai berikut: w1. 3. 5 0 0   0 0 0 0 0. 3090.6. 8051       0. w2. 5 0.1    w6. 0 ≤ x ≤ 1. 5849     0. 9 0. 9 0. 9464     0. 3090. 5878   0. 9464     0. 9   0.0 = u(x1 . Dengan cara yang sama: w2.1 = 0. x2 = 2h = 0.2 Perhitungan dengan cara seperti ini diulang-ulang sampai mencapai waktu maksimum.1 = 0.1  w9. 5 0. maka x1 = h = 0. 3090   w1.1    w8.1   w5.1   w7.0 = 1. 0005 = 1000 . 5 0. 5 0. 9 0.0 = 0. Kemudian notasi u(x. 3075   w1. 9 0. dan w9. 9951. w4. 5 0. 5 0 0 0 0   0 0 0. 9464. . 5849   0. 5 0 0 0 0   0 0 0. Lalu masing-masing dimasukkan ke sin πx untuk mendapatkan nilai u(x. 9 0. 5849.1 = 0. dan w9.2   w7. w7. 5 0     0 0 0 0 0 0. 5 0. w9.0 = 0.0 = 0. 5 0 0 0 0 0    0 0. 9 0. 5 0. 9 0. 5 0.. 0). w8.1    w4. 5 detik. w2.. Semua angka ini adalah nilai temperatur kawat di masing-masing mesh points setelah selang waktu 0. 3075. 3090  w2.. 3075  w2. 0005 5 cara menghitung jumlah iterasi: T /k = 0. 5 0. Selanjutnya. 8090       0. 9951  =      0.2    w8.0 sudah ditentukan oleh kondisi awal.1 = 0. w7. 0005 detik4 . 9   0. 5 0. w8. w3. 9511. hasil ini diumpankan lagi ke persamaan matriks yang sama untuk mendapatkan wx.1 = 0. 5   0 0 0 0 0 0 0. 8090. 9 0. 0) = sin πx. x9 = 9h = 0. w4. 9 0. w5. PDP PARABOLIK Nilai w1. w3. 0000  =      0. 8090       0. 5878. 8051. Untuk 3 4 Topik tentang perkalian matrik sudah diulas pada Bab 1 karena step time k-nya sudah ditentukan sebesar 0.2  0. 5 0 0 0    0 0 0 0. 9 0. 5878     0. yaitu u(x. w5.1 Ini hanya perkalian matrik biasa 3 . Jika waktu maksimum adalah T = 0. 9511. 9 0.2   w3. 9511     0. 2. 0) = u(0.2    w6.1 = 0.2   w5. 9 0. Hasil perkalian itu adalah: w1. 9 0. 8051       0.0 . 5849.0 . 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0  0. 5 0.1. 5 0. 5 0 0   0 0 0 0 0. w6.. Maka persamaan matriks menjadi  0. w6. 1. 5 0.1                   0. 5 0.0 = 0. 137 Jika h = 0. 0) = sin π(0. 3075. 8051.2                   0. 9 0. 8090. 5 0 0 0    0 0 0 0. 9. 5878..7.1) = 0..2    w4. 5 0.0 = 0. 5   0 0 0 0 0 0 0. 9 0.. berarti mesti dilakukan 1000 kali iterasi5 .1   w3.. 9464. 5/0.0 = 0. 5  0   0. 0000.0 = 0.1 = 0. x3 = 3h = 0. 9 0. 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0  0. 1. 5 0     0 0 0 0 0 0. 9511     1.1 = 0. 5 0.2  w9.1 = 0.

Dengan bantuan script Matlab.1 Script Forward-Difference Script matlab Forward-Difference untuk menyelesaikan contoh masalah ini. 0005 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 clear all clc n=9.2. maka indeks j bergerak dari 1 sampai 1000. end A=[ (1-2*lambda) lambda 0 0 0 0 0 0 0. dimana h = 0.1). h=0.1)=0. end .0005. 0 0 lambda (1-2*lambda) lambda 0 0 0 0.0. proses perhitungan menjadi sangat singkat. end for i=1:n for j=1:n w(i.j)*w0(j. end %Mengcopy kondisi awal ke w for i=1:n w0(i. 1 dan k = 0. iterasi=1000.6. k=0. DIFERENSIAL NUMERIK sampai 1000 kali. lambda (1-2*lambda) lambda 0 0 0 0 0 0. 0 0 0 0 0 0 lambda (1-2*lambda) lambda .1)+A(i. 0 0 0 0 0 0 0 lambda (1-2*lambda) ]. for k=1:iterasi disp(’perkalian matriks’) %====================================== for i=1:n w(i. 0 lambda (1-2*lambda) lambda 0 0 0 0 0 .1)=w(i. 0 0 0 0 lambda (1-2*lambda) lambda 0 0. 0 0 0 0 0 lambda (1-2*lambda) lambda 0 .1. lambda=(alpha^2)*k/(h^2). 7.1).138 BAB 7. 0 0 0 lambda (1-2*lambda) lambda 0 0 0. end end %==================================== w w0=w. % Kondisi awal for i=1:n suhu(i)=sin(pi*i*0. alpha=1.0.1)=suhu(i).

0 u(xi . Kolom ke-4 dan ke-6 adalah selisih antara solusi analitik dan numerik xi 0.j wi+1. 19876 × 107 −1. 03604 × 107 0 |u(xi .00739934 0. 49015 × 108 2. 511 × 10−5 wi.5) − wi.4 0.j − α2 =0 k h2 Sekarang. 0005 dan k = 0.00222241 0 wi.00683989 0. 01. 11200 × 108 −1. 411 × 10−5 1.54) maka backward-difference disederhanakan menjadi (1 + 2λ) wi. Tabel 7. 53086 × 108 8. 627 × 108 2. kita akan dapatkan formula forward-difference adalah sebagai berikut (lihat persamaan (7.50 | 8. 506 × 108 2.j + wi−1. Kolom ke-2 adalah solusi analitik/exact.00434922 0. 0005 0 0. PDP PARABOLIK 139 Tabel 7.5) 0 0.j−1 − α2 =0 k h2 jika ditetapkan λ= α2 k h2 (7. 112 × 108 1.j wi.9 1. 678 × 10−4 1.j − 2wi. yaitu pada saat interval k = 0. 973 × 10−4 2.j−1 (7. 01 0 8.5) − wi.00422728 0.j − wi.3 Metode Backward-difference Kalau kita ulang lagi pelajaran yang lalu tentang forward-difference.5 0.00703719 0. 531 × 108 8. 5 detik.8 0.6.0 0. Tabel ini menginformasikan satu hal penting. dengan jumlah iterasi hanya 50 kali untuk mencapai time maksimum 0.1000 k = 0.00228652 0 |u(xi . 490 × 108 2. 075 × 10−4 1. 13833 × 108 −2.00581836 0. Tabel tersebut juga menunjukkan hasil perbandingan antara pemilihan nilai interval k = 0. 973 × 10−4 1.50 k = 0.7. formula backward-difference dinyatakan sebagai wi+1. 62685 × 108 −2.j = wi.00228652 0. 0005.48)) wi. 219 × 10−4 6. Masalah ini bisa diatasi dengan metode backward-difference. 0. 219 × 10−4 1.j − 2wi. 0.00683989 0. 50642 × 108 2. terlihat jelas hasil forward-difference tidak konvergen (Bandingkan kolom ke-4 dan kolom ke-6!).6.2 0.j + wi−1. 199 × 107 1. 0. 557 × 108 2.1000 | 6. 55719 × 108 2. 678 × 10−4 1.j − λwi+1. kolom ke-3 dan ke-5 adalah solusi numerik forward-difference.00719188 0. Namun pada saat interval k = 0.1 0.00703719 0.00434922 0.01.00222241 0.j − λwi−1.00598619 0. dan ini dianggap bermasalah.00422728 0. forward-difference berhasil mencapai konvergensi yang sangat baik.j+1 − wi.00581836 0.3 0.7 0. 138 × 108 2.4: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi.55) .00598619 0. 036 × 107 7.6 0. dengan sedikit modifikasi.4 memperlihatkan hasil perhitungan yang diulang-ulang hingga 1000 kali.

j     w3.j − 1w6.j       w4.j  w2.j + λwi−1. dimana ada perubahan nilai k yang semula k = 0.j−1   w3.j − 1w4.j = w10.j − 1w6.j−1    w8. sistem persamaan linear mengalami sedikit perubahan 3w1.j − 1w8.j 3w2.j − 1w2.j−1 = w3.j  =      w6.55).K.51) (1 − 2λ) wi. Maka λ dapat dihitung dengan persamaan (7.j − 1w5.j+1 O.j − 1w7.j − 1w8.j − 1w4.j−1 = w4.j − 1w9.140 BAB 7.j 3w5.j−1 + 1w0.j = wi.j−1 = w8.j = w2.j   w1.j − 1w2.j 3w4.j−1  w9.50) kembali λ= 0.j 3w7.j − 1w7.j−1 = w5.j Syarat batas masih sama. Lalu jika dinyatakan dalam bentuk operasi matrik                   3 −1 0 0 0 0 0 0 0 −1 3 0 −1 0 0 0 0 0 0 0 0 0 0 0  w1.j     w5.j 3w8.j−1   0   −1 3 −1 0 0 0 0 0    0 −1 3 −1 0 0 0 0   0 0 −1 3 −1 0 0 0    0 0 0 −1 3 −1 0 0   0 0 0 0 −1 3 −1 0     0 0 0 0 0 −1 3 −1   0 0 0 0 0 0 −1 3   w2.j = 0.j − 1w3.j − 1w3. 012 Berdasarkan persamaan (7. 0005 menjadi k = 0. Sementara α dan h nilainya tetap.j−1 = w9.j   w9.j 3w9.j−1 = w6.j     w7.. mari kita kembali ke contoh soal kita yang tadi.j − 1w5.j−1    w6.j + λwi+1.j       w8. DIFERENSIAL NUMERIK coba sejenak anda bandingkan dengan formula forward-difference dalam λ sebagaimana dinyatakan oleh persamaan (7.j − 1w1.j 3w6.j−1   w5. 1 α2 k = =1 2 h 0.j−1 = w7.j 3w3. yaitu w0.j−1 + 1w10.56) .j−1    w4. 01.j−1 Persamaan matriks di atas dapat direpresentasikan sebagai Aw(j) = w(j−1) (7.j = w1.j−1   w7.

1     w3.0  141                   0   −1 3 −1 0 0 0 0 0    0 −1 3 −1 0 0 0 0   0 0 −1 3 −1 0 0 0    0 0 0 −1 3 −1 0 0   0 0 0 0 −1 3 −1 0     0 0 0 0 0 −1 3 −1   0 0 0 0 0 0 −1 3   w2. 7. dimana j = 1  3 −1 0 0 0 0 0 0 0 −1 3 0 −1 0 0 0 0 0 0 0 0 0 0 0  w1.1     w5.1       w8.01.6. operasi matrik backward difference ini bukan perkalian matrik biasa.1     w7.1 Script Backward-Difference dengan Eliminasi Gauss 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 clear all clc n=9.1  =      w6.1   w9. 3090 Berbeda dengan operasi matrik forward difference. 8090    0.0    w8.1   w1. %Kondisi awal for i=1:n suhu(i)=sin(pi*i*0.1     w3.1  =      w6.1). 3090   0   −1 3 −1 0 0 0 0 0    0 −1 3 −1 0 0 0 0   0 0 −1 3 −1 0 0 0    0 0 0 −1 3 −1 0 0   0 0 0 0 −1 3 −1 0     0 0 0 0 0 −1 3 −1   0 0 0 0 0 0 −1 3   w2.0  w9.1       w8.0   w7. ruas kanan menjadi                   3 −1 0 0 0 0 0 0 0 −1 3 0 −1 0 0 0 0 0 0 0 0 0 0 0  w1.1       w4. Untuk jumlah iterasi hingga j = 50. 5878   0. 5878  0. lambda=(alpha^2)*k/(h^2). end %Mengcopy kondisi awal ke w for i=1:n 6 Uraian tentang metode Eliminasi Gauss tersedia di Bab 2 .1     w5.0    w4.1  0. h=0.0.7.1   0.1   w9.0   w5.1  w2. PDP PARABOLIK Perhitungan dimulai dari iterasi pertama.0 Dengan memasukan kondisi awal. alpha=1. Operasi matrik tersebut akan dipecahkan oleh metode Eliminasi Gauss6 . 0000    0.1.0    w6.0   w3.1     w7. 9511   1. 8090    0. k=0. 9511   0.1       w4. perhitungannya dilakukan dalam script Matlab.6.3.

0 0 -lambda (1+2*lambda) -lambda 0 0 0 0.n+1)=w0(i.n+1)/A(n. 0 0 0 -lambda (1+2*lambda) -lambda 0 0 0.n).142 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 BAB 7. A(j. -lambda (1+2*lambda) -lambda 0 0 0 0 0 0 -lambda (1+2*lambda) -lambda 0 0 0 0 0 .p). iterasi=50. end end end %------------------------------------------%------Proses Substitusi mundur------------w(n. for i=jj:n m=A(i. 0.1).p)=u.1)=suhu(i). 0 0 0 0 0 0 0 -lambda (1+2*lambda) ].1). end AA=[ (1+2*lambda) -lambda 0 0 0 0 0 0 0.j)==0) for p=1:n+1 u=A(j.1)=(A(i.k)=A(i. for j=n:-1:i+1 S=S+A(i. 0 0 0 0 0 0 -lambda (1+2*lambda) -lambda .i). v=A(j+1. end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& w0=w.j). end w(i. DIFERENSIAL NUMERIK w0(i. end w . end end %----akhir proses pivot--jj=j+1. A(j+1.k)-(m*A(j.n+1)-S)/A(i.1)=A(n. end %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j. for i=1:iterasi %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& A=AA. for k=1:(n+1) A(i.p). for i=n-1:-1:1 S=0. 0 0 0 0 0 -lambda (1+2*lambda) -lambda 0 .k)).p)=v. %Matriks Backward Difference dicopy supaya fix for i=1:n A(i. 0 0 0 0 -lambda (1+2*lambda) -lambda 0 0.j)/A(j.j)*w(j.

57) Jika formula ini dijumlahkan dengan formula forward-difference.00581836 0.0 0.j + wi−1. 079 × 10−3 2. maka akan diperoleh wi+1.00683989 0.j+1 + wi−1.2 0.50 0 0. 756 × 10−4 7. ini ditunjukkan dari selisih yang relatif kecil antara solusi numerik dan solusi analitik.6 0. PDP PARABOLIK 143 Hasilnya menunjukkan bahwa kinerja metode backward-difference lebih baik dibanding metode forward-difference.00891918 0.6.00289802 0.j+1 + wi−1.50 | 6. 01 xi 0. 079 × 10−3 1.0 u(xi .5) − wi.00683989 0.5 0.j + wi−1. Formula Forward-Difference adalah wi. 0.j+1 − α2 =0 k h2 (7.9 1.00222241 0 wi.00758711 0.j+1 wi.j+1 − wi.j+1 − 2wi.00937818 0.j − 2wi.4 Metode Crank-Nicolson Metode ini dimunculkan disini karena metode ini memiliki performa yang lebih unggul dari dua metode sebelumnya.00422728 0. 0.j − 2wi. 769 × 10−3 2.00581836 0.j − 2wi.5: Hasil simulasi distribusi panas bergantung waktu dalam 1-dimensi dengan metode backwarddifference dimana k = 0. 756 × 10−4 1.j − wi.j wi+1.00551236 0.00758711 0.00719188 0.8 0. sebagaimana bisa terlihat dari kolom ke-4 pada tabel berikut Tabel 7.j+1 − 2wi.7.j wi.4 0.00551236 0.58) .j − + =0 k 2 h2 h2 (7.7 0.j + wi−1.j−1 − α2 =0 k h2 Ketika Backward-Difference berada pada iterasi ke j + 1. Mari kita ulang lagi pelajaran yang sudah kita lewati.j+1 − wi. kemudian hasilnya dibagi 2.3 0. 285 × 10−3 1.j − α2 =0 k h2 sedangkan Backward-Difference adalah wi+1.1 0.6.j+1 − wi. Namun begitu pondasi metode Crank-Nicolson terdiri atas metode Forward-Difference dan metode Backward-Difference. 186 × 10−3 2.00422728 0.j α2 wi+1. 285 × 10−3 6.00222241 0.00891918 0.00289802 0 |u(xi . 769 × 10−3 1. maka wi.5) 0 0.j wi+1.

λ = 1 dan berdasarkan persamaan (7.j+1 − wi−1.j + λwi.j = 0 2 2 2 2 λ λ λ λ − wi−1.0. 1.j − 2wi. h=0.j+1 − wi+1.j+1 − wi−1. yang sebelumnya telah diselesaikan dengan metode Forward-Difference dan Backward-Difference.j − λ [wi+1.j + wi−1.59) diperoleh −0. iterasi=50.j + wi.144 BAB 7.j + wi+1.j + wi+1.j − λwi. 5wi+1. .j + λwi..j + (1 − λ)wi. Dengan nilai k = 0.j+1 = 0.j+1 = 0 2 2 2 2 λ λ λ λ − wi−1.j+1 + 2wi.j+1 − 2wi.j Script Matlab untuk menyelesaikan persamaan ini adalah 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 clear all clc n=9. h = 0..j 2 2 2 2 Dalam bentuk persamaan matrik dinyatakan sebagai Aw(j+1) = Bw(j) .j+1 − wi+1.j 2 2 2 2 dan akhirnya λ λ λ λ − wi−1.j+1 + λwi.j+1 = wi−1. 5wi+1. untuk j = 0.01.j+1 − wi.j − wi+1.j+1 + wi. 01.j+1 − wi+1. %Kondisi awal for i=1:n suhu(i)=sin(pi*i*0. 2. DIFERENSIAL NUMERIK inilah formula Crank-Nicolson. k=0.j+1 − wi.j − wi. .j+1 + wi.1)=suhu(i).j − wi+1.j+1 + λwi. (7.j+1 − 0.1. 5wi−1. 5wi−1.j − wi−1. alpha=1. 1.1).j+1 ] = 0 2 α2 k h2 λ λ λ λ wi+1.j + 0wi. end %Mengcopy kondisi awal ke w for i=1:n w0(i. lambda=(alpha^2)*k/(h^2).j+1 + wi−1.59) Dengan menggunakan contoh soal yang sama.j+1 = wi−1. maka penyelesaian soal tersebut dengan metode Crank-Nicolson juga akan didemonstrasikan di sini.60) (7.j+1 + (1 + λ)wi. Adapun λ tetap dinyatakan sebagai λ= maka wi.j + 0.j+1 + λwi.j − wi.j + wi+1.

n+1)=b(i.1)=0.p).1)+B(i.0. v=A(j+1. lambda/2 (1-lambda) lambda/2 0 0 0 0 0 0. 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0.j). 0 0 0 0 0 0 0 lambda/2 (1-lambda)]. end %---------Proses Triangularisasi----------for j=1:(n-1) %----mulai proses pivot--if (A(j. B=[(1-lambda) lambda/2 0 0 0 0 0 0 0.1)=b(i. for iter=1:iterasi %===perkalian matriks=================== for i=1:n b(i. 0 0 0 0 0 0 0 -lambda/2 (1+lambda)]. 0 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2. 0 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0. . A(j. 0 0 0 0 0 0 lambda/2 (1-lambda) lambda/2. 0 lambda/2 (1-lambda) lambda/2 0 0 0 0 0. end end %====================================== %&&&&&& Proses Eliminasi Gauss &&&&&&&&&&&&&&&&&&&&&&&&& A=AA.p)=u. 0 0 0 0 lambda/2 (1-lambda) lambda/2 0 0. 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0.p)=v. A(j+1. iterasi=50. 0 0 0 0 0 lambda/2 (1-lambda) lambda/2 0.7. %Matriks Backward Difference dicopy supaya fix for i=1:n A(i.j)*w0(j. end end %----akhir proses pivot--jj=j+1.6.j)==0) for p=1:n+1 u=A(j.j)/A(j. 0 0 lambda/2 (1-lambda) lambda/2 0 0 0 0. 0 0 0 lambda/2 (1-lambda) lambda/2 0 0 0. 0 0 -lambda/2 (1+lambda) -lambda/2 0 0 0 0. -lambda/2 (1+lambda) -lambda/2 0 0 0 0 0 0. for i=jj:n m=A(i.1).p). 0 0 0 0 -lambda/2 (1+lambda) -lambda/2 0 0.1). PDP PARABOLIK 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 145 end AA=[(1+lambda) -lambda/2 0 0 0 0 0 0 0. end for i=1:n for j=1:n b(i.

00289802 0.0 0 0 0 Terlihat disini bahwa orde kesalahan metode Crank-Nicolson (kolom ke-6) sedikit lebih kecil dibandingkan metode Backward-Difference (kolom ke-5). 285 × 10 1. 546 × 10−4 0. 756 × 10−4 8.5 0.50 | |u(xi .k)).00891918 0.1 0.1)=A(n.6 0. 546 × 10−4 0. Persamaan gelombang dinyatakan dalam persamaan diferensial sebagai berikut ∂2u ∂2u (x.00230512 6.j)*w(j.146 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 BAB 7.00719188 0. 573 × 10−4 −4 0. 769 × 10 2.00603489 1. Ini menunjukkan tingkat akurasi Crank-Nicolson lebih tinggi dibandingkan Backward-Difference. 285 × 10−3 1. 573 × 10−4 −3 0.00683989 0.00222241 0.00891918 0. 186 × 10−3 2.4 0.n+1)/A(n.0 0 0 0 0.00758711 0. 165 × 10−4 −3 0.50 | 0.00422728 0. 271 × 10−5 1. 0. for i=n-1:-1:1 S=0. 079 × 10 2.k)-(m*A(j.n).6: Hasil simulasi distribusi panas bergantung waktu (t) dalam 1-dimensi dengan metode backward-difference dan Crank-Nicolson BD CN Backward-Diff Crank-Nicolson xi u(xi .9 0.00438461 1.00422728 0. ∂t2 ∂x 0 < x < ℓ.5) wi.00551236 0.00745954 2. 0. 7. end end end %------------------------------------------%------Proses Substitusi mundur------------w(n.61) .1)=(A(i.50 |u(xi . t) − α2 2 (x.7 0.00222241 0.00758711 0. kita akan membahas solusi numerik untuk persamaan gelombang yang merupakan salah satu contoh PDP hiperbolik.5) − wi.00230512 6.5) − wi. 079 × 10 2.00289802 0. 756 × 10 8. end %&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& w0=w.3 0.50 wi.00683989 0. t) = 0. 769 × 10−3 2. 271 × 10−5 0.00581836 0.k)=A(i.1).n+1)-S)/A(i. DIFERENSIAL NUMERIK for k=1:(n+1) A(i.8 0. end w(i. 165 × 10−4 −3 0. for j=n:-1:i+1 S=S+A(i.00709444 2. 0.00438461 1.00937818 0.2 0.7 PDP Hiperbolik Pada bagian ini.00581836 0. 677 × 10−4 −3 0.00551236 0. end iter w Tabel 7.00603489 1.i). t>0 (7.00709444 2.

t) = 0.j−1 − λ2 wi+1. 1.62) Formula centered-difference digunakan sebagai pendekatan numerik persamaan gelombang pada tiap-tiap suku. 0) = g (x) .j = wm. posisi mesh points ditentukan oleh koordinat (xi .. Pada bagian interior.j − 2wi. tj−1 ) − α2 =0 2 k h2 maka dapat diturunkan formula finite-difference untuk PDP hiperbolik sebagai berikut wi. ∂t 147 dimana α adalah konstanta. untuk j = 1. 3.65) .j+1 = 2 1 − λ2 wi.j = 0. 0) = f (x) .j + wi−1.j−1 (7. tj ).j − α2 =0 2 k h2 Jika λ = αk/h. tj ) + u (xi−1 . 2. 2.j = 0 sehingga wi.j + wi.. Kondisi syarat batas ditentukan sebagai berikut w0. tj ) − 2u (xi .7.. tj+1 ) − 2u (xi ... xi = ih dan tj = jk dengan i = 0. .j ) − wi. dan untuk t > 0. karenanya persamaan gelombang ditulis menjadi ∂2u ∂2u (xi . m dan j = 0. tj ) + u (xi−1 . tj ) u (xi . untuk 0≤x≤ℓ ∂u (x.j + wi−1. tj ) = 2 ∂t k2 dan turunan kedua terhadap x u (xi+1 . (7.64) (7.j+1 − 2wi..7. .62) u (xi+1 ..j + wi.. m − 1 dan j = 1.. .63) dengan i = 1. u (x.. tj ) ∂2u (xi . 1. 2. t) = u (ℓ..j + λ2 (wi+1. tj ) − α2 2 (xi . maka persamaan ini dapat ditulis kembali wi.. tj−1 ) ∂2u (xi .j−1 wi+1. PDP HIPERBOLIK dengan suatu kondisi u (0. . tj ) = 2 ∂x h2 Dengan mensubtitusikan kedua persamaan di atas kedalam persamaan (7. jarak tiap mesh point adalah h. Untuk turunan kedua terhadap t u (xi . tj ) + u (xi .j − λ2 wi−1. . tj ) + u (xi .. tj ) − 2u (xi .j+1 − 2wi. tj ) = 0 ∂t2 ∂x (7.j + 2λ2 wi..j+1 selaku solusi numerik dapat dihitung dengan merubah sedikit suku-suku pada formula di atas wi. Kita tentukan ukuran time-step sebesar k. tj+1 ) − 2u (xi .

harus diperoleh lewat Salah satu cara pemecahan dengan pendekatan forward-difference adalah ∂u u (xi . dengan m = 4. 0) + kg (xi ) konsekuensinya wi. t) = cos πt sin πx.66) Berbeda dengan PDP eliptik dan PDP parabolik.. 0) = sin πx. N = 4.0 = f (xi ) . Bandingkan hasil yang diperoleh dengan solusi analitik u(x. t1 ) − u (xi .1 = wi. m − 1 (7. ∂t 0≤x≤1 untuk 0 < t. nilai h dapat dihitung. maka diketahui nilai α = 1 dan ℓ = 1.61). dan k. 0) ∂t (7. untuk BAB 7.69) 7. 0) (xi . 0) = ∂t k ∂u (xi .. yaitu λ = αk/h = 1. h.2 . 2.66) sementara nilai untuk j = 1 untuk menghitung wi. 25. 0 < x < 1. nilai λ ini dimasukkan ke .1 Contoh Tentukan solusi dari persamaan gelombang berikut ini ∂2u ∂2u − 2 = 0. diperlukan informasi mesh point (j) dan (j − 1). . untuk i = 1. t1 ) = u (xi . yaitu h = ℓ/m = 1/4 = 0. 0<t 0≤x≤1 menggunakan metode finite-difference. DIFERENSIAL NUMERIK i = 1. Selanjutnya. ∂u = 0. 0) + k = u (xi . . maka λ dapat dihitung. m − 1 (7.. untuk menghitung mesh point (j + 1). t) = u (ℓ. Dari sini. Hal ini sedikit menimbulkan masalah pada langkah/iterasi pertama karena nilai untuk j = 0 sudah ditentukan oleh kondisi kecepatan awal ∂u (x.7.67) persamaan (7.0 + kg(xi ).148 sementara kondisi awal dinyatakan wi.. t) = 0. Jika persamaan gelombang pada contoh soal ini dibandingkan dengan persamaan (7. 0.. Dengan diketahuinya nilai α.. 0/4 = 0. dan T = 1. 0) = g (x) . 2. 25. Sementara nilai k diperoleh dari k = T /N = 1.68) u (xi . dan kondisi mula-mula u (x. ∂t2 ∂x dengan syarat batas u (0. ∂t 0≤x≤ℓ (7. pada PDP hiperbolik.

j + wi−1.j ) − wi.j + (wi+1. u(2. 0) + (xi . ∂x2 ∂y gunakan h = 0. t) = u(1. Sementara j.j ) − wi.7. 1 u(0.j+1 = 2 1 − 12 wi. ∂t 16 ∂x2 0 < x < 1. 2.j + 12 (wi+1.j + λ2 (wi+1. 0 < t.j−1 wi. t) = 2e−(π 2 /4)t sin 2πx u (xi . 0) + k ∂u k2 ∂ 2 u k3 ∂ 3 u (xi . 0) = α2 2 (xi . atau j = 0.j−1 149 dimana i bergerak dari 0 sampai m.j−1 wi. 2 dan k = 0. Carilah solusi persamaan differensial parabolik berikut ini dengan pendekatan numerik menggunakan metode Finite Difference Backward-Difference 1 ∂2u ∂u − = 0. T = 0. 3. 1) = e . 2. 2.j ) − wi.8. 1. 0 < t. 0 ≤ x ≤ 1. 0) = 1.j + wi−1. 0≤y≤1 0≤x≤2 Bandingkan hasilnya dengan solusi analitik u(x. t) = 0. bergerak dari 0 sampai T /k = 4. 0 < y < 1. Carilah solusi persamaan differensial elliptik berikut ini dengan pendekatan numerik menggunakan metode Finite Difference ∂2u ∂2u + 2 = (x2 + y 2 )exy . 1.j+1 = 2 1 − λ2 wi. 4. t) = exy . 4.j+1 = 0wi. Bandingkan hasilnya dengan solusi analitik u(x. u(x. 0) = 2 sin 2πx. dan N = 2.70) ∂2u ∂2u df (xi . µi ) ˆ ∂t 2 ∂t2 6 ∂t3 (7. y) = e2y .8 Latihan 1. 1. t1 ) = u (xi . LATIHAN persamaan (7.71) . u(0. 0) = α2 2 (xi ) = α2 f ” (xi ) ∂t2 ∂x dx (7. Catatan kuliah baru sampai sini!! 7. x 0 < x < 2. 3.64) wi. 0) + (xi . gunakan m = 3. atau i = 0. u(x. y) = 1.j + wi−1. u(x.

76) = 1 − λ2 f (xi ) + λ2 λ2 f (xi+1 ) + f (xi−1 ) + kg (xi ) + O k 3 + h2 k 2 2 2 λ2 λ2 f (xi+1 ) + f (xi−1 ) + kg (xi ) 2 2 (7. t1 ) = u (xi .78) . t1 ) = u (xi . µi ) ˆ 2 6 ∂t3 α2 k 2 f ” (xi ) 2 (7. DIFERENSIAL NUMERIK u (xi .75) u (xi .1 = 1 − λ2 f (xi ) + (7. t1 ) = u (xi .150 BAB 7.73) f ” (xi ) = f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 (4) ˜ − f ξ h2 12 k 2 α2 f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k 3 + h2 k 2 2h2 (7.74) u (xi . 0) + kg (xi ) + (7. 0) + kg (xi ) + λ2 f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 + O k 3 + h2 k 2 2 (7.72) wi1 = wi0 + kg (xi ) + (7. 0) + kg (xi ) + α2 k 2 k3 ∂ 3 u f ” (xi ) + (xi .77) wi.

151 pendekatan Trapezoida bekerja efektif pada fungsi-fungsi yang turunan kedua-nya bernilai nol .1) disebut numerical quadrature. maka (f ′′ = 0). x1 = b dan h = b − a.1 Metode Trapezoida Suatu persamaan integral b f (x)dx a (8.Bab 8 Integral Numerik  Objektif : ⊲ Mengenalkan metode Trapezoida ⊲ Mengenalkan metode Simpson ⊲ Mengenalkan metode Composite-Simpson ⊲ Mengenalkan metode Adaptive Quardrature ⊲ Mengenalkan metode Gaussian Quadrature 8. Karena bagian error pada Trapezoida adalah f ′′ . Pendekatan numerik untuk menyelesaikan integral tersebut adalah n ai f (xi ) i=0 (8.3) dimana x0 = a.2) Adapun metode pendekatan yang paling dasar dalam memecahkan masalah integral secara numerik adalah metode Trapezoida yang rumusnya seperti ini b f (x)dx = a h3 h [f (x0 ) + f (x1 )] − f ′′ (ξ) 2 12 (8.

x1 = 2 dan h = 2 − 0 = 2. INTEGRAL NUMERIK f(x) x0=a x1=b Gambar 8. dimana luas area adalah sama dengan luas trapesium di bawah kurva f (x) dalam batas-batas a dan b f(x) x0=a x1=b Gambar 8.4) Contoh dengan x0 = a.152 BAB 8. dimana area integrasi di bawah kurva f (x) dibagi 2 dalam batas-batas a dan b 8. Gambar sebelah kanan menunjukan cara metode Simpson menghitung luas area integrasi.2 Metode Simpson Metode pendekatan yang lebih baik dalam integral numerik adalah metode Simpson yang formulasinya seperti ini b f (x)dx = a h h5 [f (x0 ) + 4f (x1 ) + f (x2 )] − f 4 (ξ) 3 90 (8. Gambar sebelah kanan menunjukan cara metode Trapesoida menghitung luas area integrasi. x2 = b. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas bawah integral adalah a dan batas atas b. Metode Trapezoida untuk fungsi f pada interval [0. dan x1 = a + h dimana h = (b − a)/2.2] adalah 2 0 f (x)dx ≈ f (0) + f (2) dimana x0 = 0.1: Metode Trapezoida.2: Metode Simpson. Gambar sebelah kiri menunjukkan kurva fungsi f (x) dengan batas bawah integral adalah a dan batas atas b. 2 0 sedangkan metode Simpson untuk fungsi f pada interval [0.2] adalah f (x)dx ≈ 1 [f (0) + 4f (1) + f (2)] 3 .

099 1.7) ketika n = 4: x4 f (x)dx = x0 8h7 6 2h [7f (x0 ) + 32f (x1 ) + 12f (x2 ) + 32f (x3 ) + 7f (x4 )] − f (ξ) 45 945 (8. Sebenarnya dengan membagi interval lebih kecil lagi. akan kita dapatkan bahwa interval [0.000 2.964 sin x 1.958 3. sementara pada metode Trapesoida tidak dibagi sama sekali.6) ketika n = 3: Simpson tiga-per-delapan x3 f (x)dx = x0 3h 3h5 4 [f (x0 ) + 3f (x1 ) + 3f (x2 ) + f (x3 )] − f (ξ) 8 80 (8. Bisakah anda bayangkan bentuk formulasi untuk n = 5 atau n = 6 dan seterusnya? Pasti akan lebih kompleks dibandingkan persamaan (8.667 1/(x + 1) 1.667 x4 6.400 16.667 4. METODE COMPOSITE-SIMPSON dengan x0 = 0.2] beserta solusi exact-nya.8) terlihat lebih rumit dibandingkan persamaan-persamaan sebelumnya.389 6.425 ex 6.5) ketika n = 2: Simpson x2 f (x)dx = x0 h5 h [f (x0 ) + 4f (x1 ) + f (x2 )] − f 4 (ξ) 3 90 (8.8.8).421 Kalau diamati lebih teliti. 8. Jelas terlihat. Bagaimana bila interval evaluasinya dipersempit supaya solusi numeriknya lebih mendekati solusi exact? Atau dengan kata lain n > 4.111 √ 1 + x2 2. Di atas tadi pembagian interval baru sampai pada n = 4.333 1. dan x1 = a + h = 1 dimana h = (b − a)/2 = 1.3.389 8.909 1.326 2. . maka error -nya akan semakin kecil.000 6. banyaknya pembagian interval dinyatakan dengan n ketika n = 1: Trapesioda x1 f (x)dx = x0 h3 h [f (x0 ) + f (x1 )] − f ′′ (ξ) 2 12 (8. Misalnya.3 Metode Composite-Simpson Persamaan (8.416 0. Karena hasil intergral numerik metode Simpson lebih mendekati nilai exact f (x) Nilai exact Trapezoida Simpson x2 2. x2 = 2. Keterbatasan metode Newton-Cotes terlihat dari jumlah pembagian interval.8) Keempat bentuk persamaan integral numerik di atas dikenal dengan closed Newton-Cotes formulas. metode Simpson lebih baik dibanding Trapezoida.2] telah dibagi 2 pada metode Simpson. 153 Tabel berikut ini memperlihatkan evaluasi integral numerik terhadap beberapa fungsi dalam interval [0.

26570. Luas area integrasi dipecah menjadi 8 area kecil dengan lebar masing-masing adalah h. 76958 3 ror sebesar 3. artinya terdapat er- ex dx = 0 2 ex dx + 2 4 ex dx 1 0 1 2 ≈ e + 4e + e2 + e + 4e3 + e4 3 3 1 0 e + 4e + 2e2 + 4e3 + e4 = 3 = 53. n = 2) memberikan hasil 4 0 ex dx ≈ 2 0 e + 4e2 + e4 = 56. Bandingkan dengan metode yang sama namun dengan h = 1 (atau interval evaluasi integral dibagi 4 .154 BAB 8. n = 8). Metode Simpson dengan h = 2 (atau interval evaluasi integral dibagi 2 . Sekarang kita coba kecilkan lagi nilai h menjadi h = tegral dibagi 8 . error menjadi semakin kecil dan itu artinya solusi integral numerik semakin mendekati solusi exact.3: Metode Composite Simpson. Perhatikan contoh berikut. yaitu menjadi 0. INTEGRAL NUMERIK f(x) h x0=a x1 x2 x3 x4 x5 x6 x7 xn=b Gambar 8. 86385 Hasil ini memperlihatkan error yang makin kecil.17143 yang dinilai masih terlampau besar untuk ditolerir. Metode Composite Simpson menawarkan cara mudah menghitung intergal numerik ketika nilai n > 4. n = 4) 4 0 Padahal solusi exact dari integral tersebut adalah e4 − e0 = 53. Kurva fungsi f (x) dengan batas bawah integral adalah a dan batas atas b. 61622 ≈ . 4 0 1 2 (atau interval evaluasi in- ex dx = 0 1 ex dx + 1 2 ex dx + 2 3 ex dx + 3 4 ex dx 1 0 1 e + 4e1/2 + e + e + 4e3/2 + e2 + 6 6 1 3 1 2 e + 4e5/2 + e3 + e + 4e7/2 + e4 6 6 1 0 e + 4e1/2 + 2e + 4e3/2 + 2e2 + 4e5/2 + 2e3 + 4e7/2 + e4 = 6 = 53. 59815. Jadi dengan memperkecil h. tentukan solusi numerik dari 4 x 0 e dx.

Misalnya kita bermaksud mencari solusi numerik dari integral a)/2 b a f (x)dx dengan toleransi ǫ > 0. maka interval h yang kecil menjadi kurang efektif.8. ADAPTIVE QUARDRATURE dan seperti yang sudah kita duga.01807. n/2..4.. Metode Adaptive Quadrature muncul untuk mendapatkan langkah yang paling efektif dimana nilai interval h tidak dibuat seragam.12) − (b − a) (4) f (˜) µ 180 .4 Adaptive Quardrature Metode composite mensyaratkan luas area integrasi dibagi menjadi sejumlah region dengan jarak interval yang seragam yaitu sebesar nilai h. Akibatnya. error -nya semakin kecil menjadi 0. Formula  (n/2)−1 n/2 f (x)dx = a h f (x0 ) + 2 3 f (x2j ) + 4 j=1 j=1 f (x2j−1 ) + f (xn ) −  h5 90 n/2 f (4) (ξj ) j=1 (8. bila metode composite diterapkan pada fungsi yang memiliki variasi yang tinggi dan rendah sekaligus. dengan x0 = a dan xn = b. melainkan mampu beradaptasi sesuai dengan tingkat variasi kurva fungsinya.11) dengan S(a. b) = Langkah berikutnya adalah men b h [f (a) + 4f (a + h) + f (b)] 3 f (x)dx = a h f (a) + 4f 6 h 2 4 a+ h 2 + 2f (a + h) + 4f a+ 3h 2 + f (b) (8.9) ini dapat direduksi menjadi b dimana h = (b − a)/n dan xj = a + jh. untuk j = 1. . Sebagai langkah awal adalah menerapkan metode Simpson dimana step size h = (b − b a f (x)dx = S(a. 8. Prosedur ini dapat digeneralisir menjadi suatu formula sebagai berikut b n/2 x2j 155 f (x)dx = a j=1 n/2 x2j−2 f (x)dx h h5 [f (x2j−2 ) + 4f (x2j−1 ) + f (x2j )] − f (4) (ξj ) 3 90 = j=1 (8.10) Formula ini dikenal sebagai metode Composite Simpson.. b) − h5 (4) f (µ) 90 (8. sementara interval h yang besar mengundang error yang besar pula.

8611363116 0.3478548451 0. integral tersebut ditransformasikan kedalam Gaussian quadrature melalui persamaan (8.9061798459 0.3399810436 0. INTEGRAL NUMERIK 8.5384693101 0.4 dan 5 n Akar rn.0000000000 -0.4786286705 -0.2369268850 0.0000000000 0.7745966692 0.0000000000 0.5. Untuk n = 2 1.3478548451 5 0.1093643) jawab: Pertama.5773502692 1.5555555556 0. Gaussian quadrature dihitung menggunakan konstanta-konstanta yang tercantum pada tabel polinomial Legendre.4786286705 0.5773502692+5)2 /16) 2 e + e(−(−0.5 e−x dx = 2 1 4 1 e −1 −(t+5)2 16 dt (8. 1094003 4 .5773502692 1.13) dimana perubahan variabel memenuhi t= 1 2x − a − b ⇔ x = [(b − a)t + a + b] b−a 2 (8.8611363116 0.15) (Solusi exact integral diatas adalah: 0.13) 1 1.3399810436 0.1 Contoh Selesaikan integrasi berikut ini 1.14) Berikut adalah table polinomial Legendre untuk penyelesaian Gaussian quadrature Tabel 8.i Koefisien cn.5 1 e−x dx ≈ 2 1 (−(0.2369268850 8.3.5384693101 0.5688888889 -0.1: Polinomial Legendre untuk n=2.16) Kedua.6521451549 -0.156 BAB 8.i 2 0.9061798459 0.8888888889 -0.7745966692 0.5555555556 4 0.5 1 e−x dx 2 (8.5773502692+5) /16) = 0.5 Gaussian Quadrature Suatu integral dapat ditransformasi kedalam bentuk Gaussian quadrature melalui formulasi berikut a b 1 f (x)dx = −1 f (b − a)t + (b + a) 2 (b − a) dt 2 (8.6521451549 -0.0000000000 3 0.

5 1 157 e−x dx ≈ 2 1 2 2 [(0. GAUSSIAN QUADRATURE Untuk n = 3 1. 5555555556)e(−(−0.5.5 3 √ x2 x dx −4 . 1093642 x2 2 dx −4 Selesaikan integrasi berikut ini 3.7745966692+5) 8.5.8.35 0 ] = 0. 5555555556)e(−(0.2 Latihan Selesaikan integrasi berikut ini 0.7745966692+5) /16) + (0. 8888888889)e(−(5) /16) 4 2 /16) + (0.

Tentukan nilai n dan h untuk mengevaluasi 2 0 e2x sin 3xdx dengan metode Composite Simpson. √ 1 x2 − 4 dx. bila error yang ditolerir harus lebih kecil dari 10−4 . 1 2 x ln xdx. 2+4 x x2 3 n=4 n=6 n=8 n=4 n=8 n=8 b. Hitunglah integral-integral berikut ini dengan metode Composite Simpson! 2 a. 3 2. 2 dx. −2 3π/8 tan xdx. 3. 0 5 x3 ex dx.158 Latihan BAB 8. Dalam durasi 84 detik. e. kecepatan sebuah mobil balap formula 1 yang sedang melaju di arena grandprix dicatat dalam selang interval 6 detik: time(dt) speed(f t/dt) 0 124 6 134 12 148 18 156 24 147 30 133 36 121 42 109 48 99 54 85 60 78 66 89 72 104 78 116 84 123 Gunakan metode integral numerik untuk menghitung panjang lintasan yang telah dilalui mobil tersebut selama pencatatan waktu di atas! . 0 c. f. INTEGRAL NUMERIK 1. +4 x dx. 1 2 d.

1 Metode Newton Metode Newton sangat populer dan powerfull untuk mencari akar suatu fungsi yang kontinyu. Suatu fungsi yang kontinyu dapat dinyatakan dalam deret Taylor sebagai berikut f (x) = f (¯) + (x − x)f ′ (¯) + x ¯ x 0 = f (¯) + (p − x)f ′ (¯) + x ¯ x (x − x)2 ′′ ¯ f (ξ(x)) 2 (p − x)2 ′′ ¯ f (ξ(p)) 2 0 = f (¯) + (p − x)f ′ (¯) x ¯ x p−x=− ¯ p≈x− ¯ pn = pn−1 − f (x) f ′ (¯) x f (x) f ′ (¯) x . Salah satunya bisa didahului mulai dari deret Taylor atau polinomial Taylor. n≥1 f (pn−1 ) f ′ (pn−1 ) 159 . Ada banyak jalan untuk memperkenalkan metode ini.Bab 9 Mencari Akar  Objektif : ⊲ Mencari akar 9.

1: Metode Newton .Gambar 9.

1: Lingkaran dan bujursangkar 161 .Bab 10 Metode Monte Carlo  Objektif : ⊲ Mengenalkan metode Monte Carlo 10. 7853981633974483 luas bujursangkar 4 (10. Fugure 1 memperlihatkan lingkaran dengan radius r = 1 berada di dalam kotak bujursangkar.1) Gambar 10. Luas lingkaran adalah πr2 = π(1)2 = π sementara luas bujursangkar adalah (2)2 = 4. Rasio antara luas lingkaran dan luas bola adalah ρ= luas lingkaran π = = 0.1 Penyederhanaan Kita awali pembahasan metode Monte Carlo dengan mengetengahkan contoh yang sangat terkenal yaitu menghitung luas suatu lingkaran.

METODE MONTE CARLO Jadi. Dalam perhitungan.3) total Gambar 10. dan yang lainnya di luar lingkaran. Kita sepakati saja bahwa dart yang berada di dalam 2 lingkaran mesti memenuhi x2 + yi ≤ 1.2) maka luas lingkaran adalah luas lingkaran = ρ × luas bujursangkar = 0. 148 . Sekarang mari kita coba hitung nilai π dengan mengacu pada rumus di atas. Sebanyak 812 dart berada di dalam lingkaran. maka kita bisa menghitung luas lingkaran dengan cara luas lingkaran = ρ × luas bujursangkar (10. 79296875 × 4 = 3. dengan mengetahui nilai ρ. Misalnya. 787 × 4 = 3.2) Bayangkan anda punya satu set permainan dart. Anda lemparkan sejumlah dart ke arah lingkaran tadi. total dart yang menancap di papan dart ada 1024 buah. 171875 Apakah angka ini make sense ? Mungkin anda masih ragu.2: Dart yang menancap pada bidang lingkaran dan bujursangkar Dengan pendekatan ke persamaan (10.1) π = ρ × 4 = 0. 79296875 dart di dalam bujursangkar 1024 (10. Dari 1000 dart. yang masuk lingkaran ada 787 buah. semua dart diganti dengan bii langan acak (random number ).162 BAB 10. sehingga. Rasio antara keduanya ρ= dart di dalam lingkaran 812 = = 0. ρ= 787 = 0.3) maka berdasarkan persamaan (10. 787 1000 mengacu persamaan (10.

Sekarang mari kita kembangkan metode Monte Carlo ini untuk menghitung luas suatu area yang terletak di bawah garis kurva suatu fungsi f (x).3: Dart yang menancap pada bidang 1/4 lingkaran dan bujursangkar Lumayan akurat bukan? Semakin banyak jumlah dart. a≤x≤b (10. semakin akurat nilai π yang anda peroleh. Luas kotak R yang melingkupi luas bidang integral A adalah R = {(x.1. Atau sebut saja menghitung integral suatu fungsi f (x) yang dievaluasi antara batas a dan b.5) 0 ≤ y ≤ d} (10.10. PENYEDERHANAAN 163 Gambar 10. y) : a ≤ x ≤ b dan dimana d = maksimum f (x) .4) .

.

kita bisa melihat bahwa data yang 16 14 12 10 Y 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 X telah di-plot tersebut dapat didekati dengan sebuah persamaan garis.5 4. Artinya.8 10.6 Lalu data tersebut di-plot dalam sumbu x dan y.5 13.1 Inversi Linear Diketahui data eksperimen tersaji dalam tabel berikut ini xi 1 2 3 4 5 yi 1. Sekilas.0 xi 6 7 8 9 10 yi 8. 165 .1 12.Bab 11 Inversi  Objektif : ⊲ Mengenalkan inversi linear ⊲ Mengenalkan inversi non-linear 11.0 7.3 3. yaitu a1 xi + a0 .0 15.2 5.

6) dimana i = 0 dan 1. fungsi error-nya tidak pernah bernilai nol. kita masih bisa berharap agar fungsi error menghasilkan suatu nilai. sehingga posisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas? Dengan kata lain.3) yi − (a1 xi + a0 ) = 0 dimana jumlah data. a1 ) =0 ∂ai (11. yaitu m E(a0 . m = 10. tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. dimana nilai tersebut adalah nilai yang paling minimum atau paling mendekati nol. karena dalam kasus ini memang cuma ada a0 dan a1 . Jadi. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga menjadi m E(a0 . Namun demikian. INVERSI kita melakukan pendekatan secara linear.166 BAB 11.m + a1 i=1 xi = i=1 yi (11.7) . a1 ) = ∂a0 ∂a0 m m i=1 [yi − (a1 xi + a0 )]2 = 0 2 i=1 (yi − a1 xi − a0 )(−1) = 0 m m a0 . a1 ) = i=1 yi − (a1 xi + a0 ) (11.5) Agar fungsi error bisa mencapai nilai minimum. Suku yang berada disebelah kiri dinamakan fungsi error (error function).4) Semua data yang diperoleh melalui eksperimen. a1 ) = i=1 [yi − (a1 xi + a0 )]2 (11. maka syarat yang harus dipenuhi adalah: ∂E(a0 . sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai m i=1 m i=1 yi − P (xi ) = 0 (11. dimana fungsi pendekatan-nya adalah P (xi ) = a1 xi + a0 (11. Maka mesti ada dua buah turunan yaitu: ∂ ∂E(a0 .2) (11.1) Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa.

maka dugaan anda benar! Bahkan sebenarnya tidak terbatas sampai disitu. Gambar di bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya Tentu saja anda sudah bisa menduga bahwa selain regresi linear. INVERSI LINEAR dan ∂ ∂E(a0 . P (xi ). Sedangkan nilai a0 dan a1 disebut koefisien regresi.11) (11. maka didapat: a0 = dan a1 = 385(81) − 55(572. 538xi − 0. Mudah-mudahan sama persis.12) Jadi.15) . bisa dinyatakan dalam aljabar polinomial berikut ini: n−1 P (xi ) = an xn + an−1 xi + . P (xi ). OK. berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini. 4) − 55(81) = 1.11.9) m i=1 xi yi − m 2 m i=1 xi (11. a1 ) = ∂a1 ∂a1 m m i=1 167 [yi − (a1 xi + a0 )]2 = 0 2 i=1 (yi − a1 xi − a0 )(−xi ) = 0 m m m a0 i=1 xi + a1 i=1 x2 i = i=1 xi yi (11.14) dimana koefisien regresinya ada tiga yaitu a0 . + a2 x2 + a1 xi + a0 i i (11. Secara umum.1. 538 10(385) − (55)2 (11.8) dapat dicari solusinya berikut ini: a0 = dan a1 = m 2 i=1 xi m m m i=1 xi i=1 xi yi i=1 yi − m 2 − ( m x )2 i=1 xi i=1 i m m i=1 xi i=1 yi m − ( i=1 xi )2 m m (11. mungkin saja terdapat regresi parabola atau quadratik dimana fungsi pendekatannya berupa persamaan parabola.8) Akhirnya persamaan (11. Kalau anda menduga demikian. 4) = −0. fungsi pendekatan-nya.7) dan (11.10) Coba anda bandingkan kedua hasil di atas dengan rumus least square yang terdapat pada buku Praktikum Fisika Dasar keluaran Departemen Fisika-UI. yaitu: P (xi ) = a2 x2 + a1 xi + a0 i (11.. 360 10(385) − (55)2 10(572.. a1 dan a2 . fungsi pendekatan. 360 (11.13) Solusi least square dengan pendekatan persamaan garis seperti ini juga dikenal dengan nama lain yaitu regresi linear. adalah P (xi ) = 1.

INVERSI P(x) = 1. Selamat mencoba! 11. Semua sudah saya ulas pada catatan yang berjudul Aplikasi Elimininasi Gauss: Model Garis. Saya masih ingin melibatkan peranan metode eliminasi gauss dalam menyelesaikan problem least square seperti yang selalu saya singgung pada catatan-catatan kuliah saya yang terdahulu.17) . pasti anda tidak asing lagi dengan dengan semua elemen-elemen matrik di atas.2 Inversi Non-Linear Persamaan least squares linear adalah sebagai berikut: [Gt G]δm = Gt δd Persamaan least squares non-linear dapat dinyatakan sebagai berikut: [Gt G + λI]δm = Gt δd (11.8).36 2 4 6 8 10 Namun untuk saat ini. Silakan anda lanjutkan perhitungan matrik tersebut hingga diperoleh koefisien regresi a0 dan a1 . Nah.16) Kalau anda mengikuti catatan-catatan terdahulu. saya tidak ingin memperluas pembahasan hingga regresi parabola.538*x − 0.7) dan (11.m + a1 m i=1 m xi = i=1 m yi xi yi i=1 a0 i=1 xi + a1 i=1 x2 = i Keduanya bisa dinyatakan dalam operasi matrik: m m i=1 xi m i=1 xi m 2 i=1 xi a0 a1 = m i=1 yi m i=1 xi yi (11.168 16 14 12 10 8 6 4 2 0 −2 0 BAB 11.18) (11. kalau metode eliminasi gauss hendak digunakan untuk mencari solusi regresi linear. yaitu: m m a0 . dan polinomial. kita bisa mulai dari persamaan (11.

didapat A= ∂f (m) = xm ln(x) ∂m (11.21) .19) 3. 6. Nilai m adalah nilai yang hendak dicari. maka hasilnya mesti ada 10 d. Sesuai permisalan pada point 1. misal mula-mula dipilih m = 5. Lalu hitunglah f (x) = xm dengan x bergerak dari x = 1. anda bisa juga menggunakan norm 2. Menghitung jacobian.11. dimana m0 maksudnya adalah m mula-mula. Sebelumnya sudah dinyatakan bahwa dc ada 10 buah. apakah ||δd|| < ǫ ? Pasti awalnya ||δd|| > ǫ. terserah saja. G. jadi d = f (x). Cek. nilai m dianggap sudah diketahui bahkan ditentukan. 4. namun dia juga biasa dikenal dengan sebutan matrik Jacobian. Karena dalam simulasi ini x-nya bergerak hanya sampai 10. Jadi. nanti akan didapat 10 buah f (x). nanti didapat 10 dc . Langkah-langkah untuk menyelesaikan problem least squares non-linear adalah: 1. maka δd harus ada 10 buah juga. Dalam simulasi. misalnya ditentukan m = 2. misal ǫ = 0. nilai x bergerak dari 1 sampai 10. ǫ. yaitu d1 . Tentukan nilai epsilon. demikian juga d ada 10 buah. Jadi. kenapa? Karena m = m0 . 8. INVERSI NON-LINEAR 169 dimana G adalah matrik kernel. Selanjutnya hitung ||δd|| yang rumusnya seperti ini ||δd|| = 1 1 Σ(dc − d)2 = Σδd2 N N (11.2. Hitunglah operasi matriks berikut ini untuk mendapatkan δm [Gt G + λI]δm = Gt δd (11.. dan I adalah matrik identitas yang ordenya disesuaikan dengan Gt G. Bagusnya dibedakan penulisannya. Hasil hitungannya dikasih nama d. Jangan lupa bahwa saat perhitungan. d2 . sementara λ adalah faktor pengali Lagrange. Hitunglah δd. ℓ2 . Menentukan model. m. δd yang ada 10 biji itu dimasukan kedalam proses berikutnya. . Lalu hitung lagi nilai f (x) = xm . Sekarang dinamakan dc = f (x). 10. atau tulis saja m0 = 5. d10 . dimana δd = dc − d. 7. misal f (x) = xm 2. Buatlah perhitungan untuk m sembarang. Caranya adalah menghitung turunan pertama dari model terhadap model-parameter. Kalau begini situasinya. Lalu lakukan evaluasi sederhana. Adapun definisi δm dan δd akan dijelaskan pada bagian akhir catatan ini.000001. Ini adalah nilai awal dari m yang akan diiterasikan sedemikian rupa hingga nantinya m akan menuju 2 sesuai dengan nilai m pada simulasi (point 3).. 3. Mau lebih dari 10 juga boleh. Rumus ini tidak mutlak harus demikian.20) 0 dimana N = 10 karena δd-nya ada 10.. 2.. Membuat perhitungan simulasi. 5.

22) Nah. nilai mk akan mendekati m = 2 sesuai dengan m simulasi.170 BAB 11. apakah jacobiannya sudah benar atau ada kekeliruan.005. Selamat mencoba! Saya juga telah menulis beberapa persamaan non-linear sebagai bahan latihan. INVERSI dengan λ-nya dikasih nilai sembarang antara 0 dan 1. Iterasi akan berhenti bila ||δd|| < ǫ. begitu seterusnya. Perhitungan ini bisa diselesaikan dengan metode eliminasi gauss. kalau ada pertanyaan atau komentar. Selanjutnya. Tapi tolong diperiksa lagi. m1 ini dimasukan ke proses yang dijelaskan pada point 4 kemudian proses diulangi hingga point 9.com . Ganti nilai m0 menjadi m1 sesuai dengan rumus m1 = m0 + δm (11. Lihat saja di Latihan 1. Pada saat itu. misalnya λ = 0. Dari sinilah dimulai proses iterasi. 9. silakan kirim ke supri92@gmail.

R. (2001). Fundamental of Physics. Thomson Learning Academic Resource Center. Brooks/Cole. (2001). 171 .D.. [2] Haliday and Resnick. and Faires. J. Numerical Analysis. Thomson Learning Academic Resource Center. Seventh Edition.L.Daftar Pustaka [1] Burden. Brooks/Cole.

.

3 Tridiagonal. 5 Vektor-baris. 6 173 . 6 Vektor-kolom. 5 Transpose.Indeks Positive-definite.

Sign up to vote on this title
UsefulNot useful